joão filipe de souta neiva machado · 2016. 1. 18. · pelo processo de amostragem em bola de...

UNIVERSIDADE DE ÉVORA

ESCOLA DE CIÊNCIAS E TECNOLOGIA

DEPARTAMENTO DE MATEMÁTICA

CARACTERIZAÇÃO DOS HÁBITOS

DE E-COMMERCE

João Filipe de Souta Neiva Machado

Orientador: Prof.ª Doutora Anabela Cristina Cavaco Ferreira Afonso

Co-Orientador: Prof. Doutor Manuel Joaquim Piteira Minhoto

Mestrado em Modelação Estatística e Análise de Dados

Área de especialização: Modelação Estatística e Análise de Dados

Dissertação

Évora, 2015

Resumo

O fenómeno do e-commerce tem vindo a crescer em Portugal e já faz parte do dia-a-dia dos

portugueses,complementarmentee/ouemalternativaaocomérciotradicional.Porisso,cadavezmaisas

empresasprocuramcompreender as tendências quemoldamo comportamentodo consumidoronline e

podeminfluenciarassuaspráticasdeconsumo.

Nesse sentido, este estudo tem como objetivo geral caracterizar os hábitos de e-commerce dos

portuguesescom18oumaisanos.Paraoefeitofoielaboradoumquestionárioerecolhidaumaamostra

pelo processo de amostragem em bola de neve. No processo de análise de dados, foram utilizadas as

técnicas Análise de CorrespondênciasMúltiplas, função de Fisher resultante da Análise Discriminante e

Regressão Logística, também com o objectivo de compreender a coerência entre os resultados e a

complementariedadeentreelas.

Participaram no estudo 400 indivíduos, sendo a maioria mulheres (58%), residentes em diversos

distritosdePortugal,comidadescompreendidasentreos18eos71anos,tendoamaiorparteumgraude

instruçãouniversitária.

Osresultadospermitiramconcluirquaisosprodutoseserviçoscommaiorcompra/adesãoonlinepara

cadaumdossexos,assimcomoinferirsobreasprincipaisvantagensedesvantagensassociadasàcompra

online,paraambosossexoseparacompradoresenãocompradores.Noquediz respeitoàperceçãode

segurançanascomprasonline,esteestudorevelouquemetadedosparticipantesconsideramestemodo

de compra seguro, sendoos fatoresmais importantesparaapercepçãode segurançaa credibilidadeda

empresa/marcadoprodutoeavariedadedemeiosdepagamentodisponíveis.

Palavras-Chave: E-Commerce, Consumidor Online, Análise de Correspondências Múltiplas, Análise

Discriminante,RegressãoLogística,AnálisedeClusters.

Abstract CHARACTERIZATIONOFE-COMMERCEBEHAVIOR

Thephenomenonofe-commercehasbeengrowinginPortugalandisalreadypartofthedaytodaylife

of the Portuguese, complementary and/or alternatively to traditional trade. Therefore, more and more

companies seek tounderstand the trendsshaping theonlineconsumerbehavior thatcan influence their

consumptionpractices.

In this sense, this study has the general objective to characterize the e-commerce habits of the

Portuguese with 18 or more years. For this purpose, a questionnaire was prepared and a sample was

collected with a snowball sampling process. In the process of data analysis, we used the following

techniques:MultipleCorrespondenceAnalysis,FisherfunctionresultingfromtheDiscriminantAnalysisand

LogisticRegression.Thisstudyalsohastheaimofunderstandingtheconsistencybetweentheresultsand

thecomplementarityamongthesetechniques.

Inthisstudy,participated400individuals,themajoritybeingwomen(58%),residentinseveraldistricts

ofPortugal,agedbetween18and71years,withmosthavingadegreeofuniversityeducation.

Theresultsallowedtoknowthegoodsandserviceswithhigherpurchase/onlineadherencebygender,

aswellastoinferenceaboutthemainadvantagesanddisadvantagesassociatedwithonlineshopping,for

bothsexesandforbothbuyersandnobuyers.Withregardtothesecurityperceptioninonlineshopping,

thisstudyrevealedthathalfoftheparticipantsconsideronlinebuyingsafe,andthatthemost important

factorsforthesecurityperceptionarethecredibilityofthecompany/brandoftheproductandthevariety

ofmediaavailablepayment.

Keywords: E-Commerce, Online consumer behavior, Multiple Correspondence Analysis, Discriminant

Analysis,LogisticRegression,Clustersanalysis.

Agradecimentos

Écommuitasatisfaçãoqueexpressoaquiumprofundoagradecimentoatodosaquelesquetornaram

possívelarealizaçãodestetrabalho.

Gostaria de agradecer à ProfessoraDoutoraAnabelaAfonso e ao ProfessorDoutorManuelMinhoto,

orientadoraeco-orientadordesta tese,peloapoio, incentivoeacimade tudopor todaadisponibilidade

demonstradas.

Atodososparticipantesnoestudopelasuacolaboraçãoedivulgaçãodoquestionário.

À minha mãe, Margarida, por todos os sacrifícios, dedicação e força que deu à minha vida e em

particularàminhaeducação.

Atodososfamiliares,amigosecolegasaquemnãopudededicar-menodecorrerdestetrabalho.

ÀAndresa,portodooamor,carinho,compreensãoepaciência.Eporseropilardaminhavida.

Porúltimo,aoTomásqueaindanãonasceu,masquejáocupaumlugartãograndenaminhavida.

Conteúdo1) INTRODUÇÃO...............................................................................................................................11.1) EVOLUÇÃODAINTERNET......................................................................................................................11.2) EVOLUÇÃODOE-COMMERCE................................................................................................................51.3) MODELOSDECOMPORTAMENTODOCONSUMIDORONLINE....................................................................71.4) PERFILSOCIODEMOGRÁFICODOCONSUMIDORONLINE..........................................................................81.6) PERCEÇÕESDERISCOASSOCIADASAOE-COMMERCE............................................................................111.7) MEIOSDEPUBLICIDADEONLINE.........................................................................................................121.8) ESTUDOSREALIZADOSSOBREE-COMMERCEEMPORTUGAL..................................................................131.9) PERTINÊNCIAEOBJETIVOSDOESTUDO...............................................................................................14

2) MÉTODOSESTATÍSTICOS...........................................................................................................162.1) COEFICIENTESDECORRELAÇÃO..........................................................................................................162.2) ANÁLISEDECORRESPONDÊNCIASMÚLTIPLAS......................................................................................182.3) ANÁLISEDISCRIMINANTE...................................................................................................................232.4) REGRESSÃOLOGÍSTICA.......................................................................................................................24

3) METODOLOGIA...........................................................................................................................263.1) HIPÓTESESTEÓRICASEMESTUDO......................................................................................................263.2) CARACTERIZAÇÃODOUNIVERSODOESTUDOEDEFINIÇÃODAAMOSTRA................................................273.3) CONSTRUÇÃODOQUESTIONÁRIOERECOLHADAINFORMAÇÃO.............................................................28

4) APRESENTAÇÃOEDISCUSSÃODOSRESULTADOS....................................................................304.1) ANÁLISESOCIODEMOGRÁFICADAAMOSTRA.........................................................................................304.2) EXPERIÊNCIAONLINEDOSINQUIRIDOS...............................................................................................334.3) COMPRADORESONLINE......................................................................................................................354.4) NÃOCOMPRADORESONLINE...............................................................................................................624.5) SEGURANÇANASCOMPRASONLINE.....................................................................................................634.6) PREFERÊNCIAS..................................................................................................................................664.6.1) VANTAGENSDACOMPRAONLINE....................................................................................................664.6.2) DESVANTAGENSDACOMPRAONLINE..............................................................................................834.6.3) MOTIVAÇÕESEPREFERÊNCIASNACOMPRAONLINE.......................................................................1014.6.4) MEIOSDECOMUNICAÇÃOONLINE.................................................................................................103

5) CONSIDERAÇÕESFINAIS..........................................................................................................122

5.1) LIMITAÇÕESDOESTUDO..........................................................................................................122

5.2) CONCLUSÕESSOBREASHIPÓTESESCOLOCADAS...................................................................122

BIBLIOGRAFIA......................................................................................................................................125

ANEXOS................................................................................................................................................128

ListadeTabelasTabela1:PrincipaislançamentosdahistóriadainternetnosprimeirosanosdoséculoXXI............................4Tabela2:Tabeladecontingência....................................................................................................................16Tabela3:PoderdiscriminativodomodeloderegressãologísticacombasenaáreaabaixodacurvaROC...25Tabela4:Hábitodecompraronlineporsexo.................................................................................................34Tabela5:Medidasdediscriminaçãoassociadasaosprodutoscompradosonline.........................................37Tabela6:PosicionamentodasvariáveismaisrelevantesparaaACMdosprodutoscompradosonline........39Tabela7:Caracterizaçãodos2gruposidentificados,relativamenteaosàsvantagensdacompraonlineidentificadaspelosinquiridos..........................................................................................................................43Tabela8:ModelodeAnáliseDiscriminanteinicialmenteobtidoparaosprodutoscompradosOnline,usandocomovariáveldegrupoo“Sexo”....................................................................................................................44Tabela9:MatrizdeestruturadaAnáliseDiscriminanteinicialmenteobtidoparaosprodutoscompradosOnline,usandocomovariáveldegrupoo“Sexo”...........................................................................................45Tabela10:ModelofinaldeAnáliseDiscriminanteobtidoparaosprodutoscompradosOnline,usandocomoVariáveldegrupo“Sexo”.................................................................................................................................45Tabela11:CoeficientesdosprodutoscompradosonlinenafunçãodeFisherporsexo................................46Tabela12:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaosprodutoscompradosonline........................................................................................................................47Tabela13:ModeloinicialdeRegressãoLogísticaobtidoparaosexoemfunçãodosprodutoscompradosonline...............................................................................................................................................................47Tabela14:ModelodeRegressãoLogísticaobtidoparaosexoemfunçãodosprodutoscompradosonline.48Tabela15:Valoresprevistospelomodeloderegressãologísticaparaosexoemfunçãodosprodutoscompradosonline,usandoopontodecorte0,50..........................................................................................48Tabela16:TabelaresumodosmétodosutilizadosnaanálisedosprodutoscompradosOnline....................50Tabela17:MedidasdediscriminaçãoassociadasàACMdosserviçosaderidosonline..................................52Tabela18:PosicionamentodasvariáveismaisrelevantesparaaACMdosserviçosaderidosonline............53Tabela19:Caracterizaçãodosgruposidentificados,relativamenteaosaosserviçosaderidosonline..........55Tabela20:ModelofinaldeAnáliseDiscriminanteobtidoparaosserviçosaderidosonline,usandocomovariáveldegrupo“Sexo”.................................................................................................................................56Tabela21:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteosserviçosaderidosOnline,usandocomovariáveldegrupo“Sexo............................................................................................................56Tabela22:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaosserviçosaderidosonline.............................................................................................................................57Tabela23:ModelodeRegressãoLogísticafinalobtidoparaosexoemfunçãodosserviçosaderidosonline.........................................................................................................................................................................57Tabela24:Valoresprevistospelomodeloderegressãologísticaparaosexoemfunçãodosserviçosaderidosonline,usandoopontodecorte0,50..............................................................................................58Tabela25:TabelaresumodosmétodosutilizadosnaanálisedosserviçosaderidosOnline..........................59Tabela26:HábitosdecompraOnline-paraopróprioouparaoutros..........................................................59Tabela27:Frequênciadascomprasonlineporsexo......................................................................................60Tabela28:Programaçãopréviadascomprasporsexo..................................................................................61Tabela29:MedidasdediscriminaçãoassociadasàACMdasvantagensdacompraOnline..........................70Tabela30:PosicionamentodasvariáveismaisrelevantesparaaACMdasvantagensdecompraonline.....71

Tabela31:Caracterizaçãodos5gruposidentificados,relativamenteaosàsvantagensdacompraonlineidentificadaspelosinquiridos..........................................................................................................................74Tabela32:ModelodeAnáliseDiscriminanteparaasvantagensnacompraOnline,usandocomovariáveldeagrupamento“Costumarealizarcomprasonline”..........................................................................................75Tabela33:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasvantagensdacompraOnline,usandocomovariáveldeagrupamento“Costumarealizarcomprasonline”.....................................75Tabela34:Percentagemdecompradoresenãocompradoresclassificadoscorretamente,atravésdomodeloobtidoparaasvantagensdacompraonline......................................................................................76Tabela35:ModelodeAnáliseDiscriminanteparaasvantagensnacompraOnline,usandocomovariáveldeagrupamento“Sexo”........................................................................................................................................77Tabela36:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasvantagensdacompraOnline,usandocomovariáveldeagrupamento“Sexo”..................................................................................77Tabela37:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoàsvantagensdascomprasonline........................................................................................................................78Tabela38:ModelodeRegressãoLogísticaparaoscompradoresonlineemfunçãodasvantagensnacompraonline..............................................................................................................................................................78Tabela39:Valoresprevistospelomodeloderegressãologísticaparaoscompradoresemfunçãodasvantagensassociadasàcompraonline,usandoopontodecorte0,70..........................................................79Tabela40:ModelodeRegressãoLogísticaparaosexoemfunçãodasvantagens........................................80Tabela41:Valoresprevistospelomodeloderegressãologísticaparaosexoemfunçãodasvantagensassociadasàscomprasonline,usandoopontodecorte0,50........................................................................80Tabela42:TabelaresumodosmétodosutilizadosnaanálisedasvantagensemcomprarOnline.................82Tabela43:MedidasdediscriminaçãoassociadasàACMdasdesvantagensdacompraonline.....................88Tabela44:PosicionamentodasvariáveismaisrelevantesparaaACMdasdesvantagensdecompraonline89Tabela45:Caracterizaçãodos5gruposidentificados,relativamenteaosàsdesvantagensdacompraonlineidentificadaspelosinquiridos..........................................................................................................................92Tabela46:ModelodeAnáliseDiscriminanteparaasdesvantagensnacompraOnline,usandocomoVariáveldegrupo“Costumarealizarcomprasonline”..................................................................................................93Tabela47:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasdesvantagensdacompraOnline,usandocomovariáveldegrupo“Costumarealizarcomprasonline”.....................................93Tabela48:Probabilidadedeumnovoelementopertenceraogrupodoscompradores,atravésdomodeloobtidoparaasdesvantagensdacompraonline.............................................................................................94Tabela49:ModelodeAnáliseDiscriminanteparaasdesvantagensnacompraOnline,usandocomovariáveldegrupo“Sexo”...............................................................................................................................................94Tabela50:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasdesvantagensdacompraOnline,usandocomovariáveldegrupo“Sexo”..................................................................................95Tabela51:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaasdesvantagensassociadasàscomprasonline..............................................................................................96Tabela52:ModelodeRegressãoLogísticaparaoscompradoresonlineemfunçãodasdesvantagensnacompraonline..................................................................................................................................................96Tabela53:ValoresprevistoscomoModelodeRegressãoLogísticaobtidoparaoscompradoresemfunçãodasdesvantagens,usandoopontodecorte0,70...........................................................................................97Tabela54:ModelodeRegressãoLogísticaobtidoparaasdesvantagensnacompraOnline,usandocomovariávelsuplementar“Costumarealizarcomprasonline”..............................................................................98

Tabela55:ValoresprevistoscomoModelodeRegressãoLogísticaobtidoparaossexosemfunçãodasdesvantagens,usandoopontodecorte0,40.................................................................................................99Tabela56:TabelaresumodosmétodosutilizadosnaanálisedasdesvantagensemcomprarOnline.........100Tabela57:Quaisosmotivosqueopoderiamlevaracomprar/comprarmaisonline?.................................101Tabela58:MedidasdediscriminaçãoassociadasàACMdosmeiosdepublicidademaiseficazes..............108Tabela59:PosicionamentodasvariáveismaisrelevantesparaaACMdosmeiosdepublicidademaiseficazes..........................................................................................................................................................109Tabela60:Caracterizaçãodos3gruposidentificados,relativamenteaosmeiosdepublicidademaiseficazes,identificadospelosinquiridos.......................................................................................................................112Tabela61:ModelofinaldeAnáliseDiscriminanteobtidoparaosmeiosdepublicidademaiseficazes,variáveldegrupo“Costumarealizarcomprasonline”..................................................................................113Tabela62:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteobtidoparaosmeiosdepublicidademaiseficazes,variáveldegrupo“Costumarealizarcomprasonline”.......................................113Tabela63:Probabilidadedeumnovoelementopertenceraogrupodoscompradores,atravésdomodeloobtidoparaosmeiosdepublicidademaiseficazes......................................................................................114Tabela64:ModelofinaldeAnáliseDiscriminanteobtidoparaosmeiosdepublicidademaiseficazes,variáveldegrupoosexo...............................................................................................................................114Tabela65:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaosmeiosdepublicidademaiseficazes,usandocomoVariáveldegrupo“Sexo”..................................................................................115Tabela66:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaosmeiosdepublicidademaiseficazes..........................................................................................................116Tabela67:ModelodeRegressãoLogísticaobtidoparaosmeiosdepublicidademaiseficazes,usandocomovariávelsuplementar“Costumarealizarcomprasonline”............................................................................116Tabela68:ValoresprevistoscomoModelodeRegressãoLogísticaparaoscompradoresonlineemfunçãodosmeiosdepublicidadeonline,usandoopontodecorte0,70..................................................................117Tabela69:ModelodeRegressãoLogísticaobtidoparaosmeiospublicitáriosmaiseficazes,usandocomovariávelsuplementar“Costumarealizarcomprasonline”............................................................................118Tabela70:ValoresprevistoscomoModelodeRegressãoLogísticaparaossexosemfunçãodosmeiosdepublicidadeonline,usandoopontodecorte0,40........................................................................................119Tabela71:TabelaresumodosmétodosutilizadosnaanálisedosmeiosdepublicidademaiseficazesemcomprarOnline..............................................................................................................................................121Tabela72:Resumodosresultadosparaashipótesesdoestudo..................................................................123

ListadeFigurasFigura1:Mapacomevoluçãodasprimeirasredes(nets)............................................................................2Figura2:Fluxodoquestionárioaplicado........................................................................................................29Figura3:PercentagemdeindividuosdaamostradivididospelosdistritosdePortugal.................................30

ListadeGráficosGráfico1:Utilizadoresdeinternetporcontinente...........................................................................................3Gráfico2:PenetraçãodeInternetnaPopulação(Junho/2014)........................................................................4Gráfico3:Sexodosinquiridos.........................................................................................................................31Gráfico4:Caixadebigodesidadeporsexo.....................................................................................................31Gráfico5:Distribuiçãodosindivíduosnasclassesdeidade,porsexo............................................................32Gráfico6:Distribuiçãodosindivíduosporgraudeinstrução.........................................................................33Gráfico7:Gráficodedispersãodapercentagemdeindividuosquecompraonlineemfunçãodograudeinstrução..........................................................................................................................................................34Gráfico8:Percentagemdecompradoresonlineemcadaclasseetária..........................................................35Gráfico9:Produtoscompradospormulheresehomens...............................................................................36Gráfico10:Representaçãodavariânciadasdimensõesassociadasaosprodutoscompradosonline...........37Gráfico11:CoordenadasdoscentroidesdaACMparaosprodutoscompradosOnline:Dimensão1vsDimensão2.....................................................................................................................................................40Gráfico12:CoordenadasdoscentroidesdaACMparaosprodutoscompradosOnline:Dimensão2vsDimensão3.....................................................................................................................................................40Gráfico13:CoordenadasdoscentroidesdaACMparaosprodutoscompradosOnline:Dimensão3vsDimensão4.....................................................................................................................................................41Gráfico14:Coeficientesdefusãodaanálisedeclustersassociadaaosprodutoscompradosonline–critériovizinhomaisafastado......................................................................................................................................42Gráfico15:CurvaROCassociadaaomodeloderegressãologísticaparaosexoemfunçãodosprodutoscompradosonline............................................................................................................................................49Gráfico16:Serviçosaderidospelasmulheresepeloshomens......................................................................51Gráfico17:Representaçãodavariânciadasdimensõesassociadasaosserviçosaderidosonline.................52Gráfico18:Representaçãodoespaçodosserviçosaderidosonline-Dimensão1vsDimensão2.................54Gráfico19:CoeficientesdefusãodaanálisedeClustersassociadaaosserviçosaderidosonline..................55Gráfico20:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaosserviçosaderidosOnline,usandocomovariávelsuplementar“Sexo”....................................................................................................58Gráfico21:Períodododiapredilectoparacompraronline............................................................................60Gráfico22:Meiosdepublicidadeonlinequejámotivaramcompra.............................................................61Gráfico23:Motivospelosquaisosinquiridosnãocompramonline..............................................................62Gráfico24:Distribuiçãodograudesegurançanascomprasonlineporsexo.................................................63Gráfico25:Percentisdograudesegurançanascomprasonline,poridadecategorizada.............................64Gráfico26:Caixadebigodes“GraudeInstrução”vs.“Quãoseguroconsiderasercompraronline?”...........64Gráfico27:CaixadebigodesdoGraudesegurançanascomprasonlineemfunçãodaauto-percepçãodeliteracianousodainternet.............................................................................................................................65Gráfico28:Fatoresdemaiorsegurançanascomprasonline.........................................................................65Gráfico29:Vantagensassociadasàscomprasonlineidentificadasporhomensemulheres.........................66Gráfico30:Vantagensassociadasàscomprasonlineidentificadasporcompradoresenãocompradores...67Gráfico31:Dendogramadasvantagensusandoométododoscentroides....................................................68Gráfico32:Dendogramadasvantagensusandoométododovizinhomaisafastado...................................68Gráfico33:DendogramadasvantagensusandoométododeWard............................................................68Gráfico34:Representaçãodavariânciadasdimensõesassociadasàsvantagensdacompraonline.............69

Gráfico35:CoordenadasdoscentroidesdaACMparaasvantagensdacompraonline:Dimensão1vsDimensão2.....................................................................................................................................................72Gráfico36:CoordenadasdoscentroidesdaACMparaasvantagensdacompraonline:Dimensão2vsDimensão3.....................................................................................................................................................72Gráfico37:CoeficientesdefusãodaanálisedeClustersassociadaàsvantagensdacompraonline.............73Gráfico38:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaasvantagensnacompraOnline,usandocomovariávelsuplementar“Costumarealizarcomprasonline”...........................................79Gráfico39:CurvaROCassociadoaoModelodeRegressãoLogísticaparaosexoemfunçãodasvantagensnacompraonline..................................................................................................................................................81Gráfico40:DesvantagensassociadasàscomprasOnlineidentificadasporhomensemulheres...................83Gráfico41:DesvantagensassociadasàscomprasOnlineidentificadasporCompradoreseNãoCompradores.........................................................................................................................................................................83Gráfico42:Dendogramadasdesvantagensusandoométododoscentroides..............................................85Gráfico43:Dendogramadasdesvantagensusandoométododovizinhomaisafastado..............................85Gráfico44:DendogramadasdesvantagensusandoométododeWard.......................................................85Gráfico45:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoFeminino.........................................................................................................................................................................86Gráfico46:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoMasculino.........................................................................................................................................................................86Gráfico47:DendogramadasdesvantagensusandoométododeWardparaosinquiridosnãocompradores.........................................................................................................................................................................86Gráfico48:DendogramadasdesvantagensusandoométododeWardparaosinquiridoscompradores...86Gráfico49:Representaçãodavariânciadasdimensõesassociadasàsdesvantagensdacompraonline.......87Gráfico50:CoordenadasdoscentroidesdaACMparaasdesvantagensdacompraOnline:Dimensão1vsDimensão2.....................................................................................................................................................90Gráfico51:CoordenadasdoscentroidesdaACMparaasdesvantagensdacompraOnline:Dimensão3vsDimensão4.....................................................................................................................................................90Gráfico52:CoeficientesdefusãodaanálisedeClustersassociadaàsdesvantagensdacompraonline.......91Gráfico53:CurvaROCassociadaaoModelodeRegressãoLogísticaobtidoparaasdesvantagensnacompraOnline,usandocomovariávelsuplementar“Costumarealizarcomprasonline”...........................................97Gráfico54:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaasdesvantagensnacompraOnline,usandocomovariávelsuplementar“Sexo”........................................................................................99Gráfico55:TempomáximoparaentregadecompraOnline........................................................................102Gráfico56:InquiridosquecomparamprodutosOnline................................................................................102Gráfico57:Meiosdepublicidadeconsideradosmaiseficazesporcadaumdossexos................................103Gráfico58:MeiosdepublicidadeconsideradosmaiseficazesporCompradoreseNãoCompradoresOnline.......................................................................................................................................................................104Gráfico59:Dendogramadosmeiosdepublicidademaiseficazesusandoométododoscentroides..........105Gráfico60:Dendogramapublicidademaiseficazesusandoométododamaiordistância..........................105Gráfico61:DendogramapublicidademaiseficazesusandoométododeWard.........................................105Gráfico62:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoFeminino.......................................................................................................................................................................106Gráfico63:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoMasculino.......................................................................................................................................................................106

Gráfico64:DendogramadasdesvantagensusandoométododeWardparaosinquiridosnãocompradores.......................................................................................................................................................................106Gráfico65:DendogramadasdesvantagensusandoométododeWardparaosinquiridoscompradores.106Gráfico66::Representaçãodavariânciadasdimensõesassociadasaosmeiosdepublicidademaiseficazes.......................................................................................................................................................................107Gráfico67:CoordenadasdoscentroidesdaACMparaosmeiosdepublicidademaiseficazes:Dimensão1vsDimensão2...................................................................................................................................................110Gráfico68:CoordenadasdoscentroidesdaACMparaosmeiosdepublicidademaiseficazes:Dimensão3vsDimensão4...................................................................................................................................................110Gráfico69:CoeficientesdefusãodaanálisedeClustersassociadaaosmeiosdepublicidademaiseficazes–métododovizinhomaisafastado.................................................................................................................111Gráfico70:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaosmeiosdepublicidademaiseficazes,usandocomovariávelsuplementar“Costumarealizarcomprasonline”..............................117Gráfico71:CurvaROCassociadoaoModelodeRegressãoLogísticaparaosexoemfunçãodosmeiosdepublicidademaiseficazes..............................................................................................................................119

Listadenotaçõeseabreviaturas

σ:Desvio-padrãodaPopulaçãos:Desvio-padrãodaamostraACM:AnálisedeCorrespondênciasMúltiplas

AD:AnáliseDiscriminante

RL:RegressãoLogísticag:MédiadaPopulação

h:MédiadaPopulação

AUC:ÀreaabaixodacurvaROC(Areaunderthecurve)

OR:Oddsratio

Caracterizaçãodoshábitosdee-commerce

1

1) Introdução

Acompanhandoo crescimentoexponencialdosutilizadoresda Internet em todoomundo, tambémo

númerodeutilizadoresdocomércioeletrónicooue-commerceevoluiuconsideravelmente.

O e-commerce é uma das realidades atuais mais discutidas no mundo dos negócios e, enquanto

ferramenta de comércio, tem sido responsável pela reformulação das relações entre clientes e

fornecedores,pelaracionalizaçãodosprocessosdenegócioepelareestruturaçãodeváriasindústrias.

EmPortugal,aindaqueaproporçãodeutilizadoresquecompraonlinesejareduzida,ofenómenodoe-

commerce tem vido a crescer na última década e já faz parte do dia-a-dia de muitos Portugueses,

complementarmentee/ouemalternativaaocomérciotradicional.

Em termosde investigaçãooestudodosmodelosdenegóciodaeconomiadigital é recentee, ainda,

existem poucos dados científicos quantificáveis. No entanto, cada vez mais as empresas procuram

compreenderasmelhorespráticaseobservarastendênciasemergentesquemoldamocomportamento

doconsumidoronline.

Tendoemconsideraçãoopapelcentralqueoe-commerce jádesempenhanocomércioportuguêseo

seupotencialde influênciadaspráticasdeconsumo,este trabalhoprocura,emtermosgerais,analisaro

comércioeletrónicoestabelecidoentreempresaseconsumidoresfinaisindividuaisportugueses.

Começamosporenquadraroe-commercenaevoluçãodainterneteporanalisarasuaprópriaevolução,

assimcomoosmodelospropostosparaocomportamentodoconsumidoronline.Deseguida,combasena

literaturadisponível,traçamosoperfilsociodemográficodoconsumidoronline,asmotivaçõesevantagens

que associa ao e-commerce, assim como as perceções de risco, nomeadamente no que diz respeito à

segurança e privacidade. Efetuamos ainda uma síntese de alguns estudos relevantes já realizados em

Portugalsobreestetema.Nofinaldestecapítulointrodutório,justificamosapertinênciadoestudoquefoi

realizado bem como dos seus objetivos. No capítulo seguinte fazemos uma breve revisão de alguns

métodos estatísticos que serão utilizados na análise do conjunto de dados recolhidos. Posteriormente,

descrevemos a metodologia utilizada para definir a amostra, a elaboração do questionário e como

procedemos à recolha dos dados. Finalmente, apresentamos e discutimos os resultados obtidos,

terminandocomaenunciaçãodealgumasconsideraçõesfinais.

1.1) EvoluçãodaInternetA sociedade atual vive nummundo onde a troca e a partilha de informação de conteúdos são uma

constantedodia-a-dia.Em2015,utilizandoapenasumsmartphonecomacessoàinternet,épossíveltrocar

emails,enviarfotografiasouvídeos,pesquisarediscutirsobretemasdeinteresse,verefalarcompessoas


2

queestãonooutro ladodomundo, conhecernovaspessoas, reservar voosehotéis, acompanharoque

estãoosamigosafazernessemomentooumesmogerirasfinançaspessoaissemgrandedificuldade.

O caminho para chegar aqui não foi fácil, iniciou-se com o clima de tensão gerado após o final da

Segunda GuerraMundial e que deu origem à Guerra Fria – período no qual eram comuns as ações de

espionagementreosEstadosUnidoseaUniãoSoviética.ComoreaçãoaolançamentoefetuadopelaRússia

doSputnik -oprimeirosatéliteartificial lançadoparaoespaçoexterior–osEstadosUnidoscriaram,em

1957,aARPA(AdvancedReasearchProjectAgency)comoobjetivodedesenvolverprogramasrelacionados

com satélites e o espaço. Um anomais tarde com a criação da NASA (National Aeronautics and Space

Administration),aARPAperdeuespaçodeatuaçãoecentrou-senainvestigaçãoemInformática.

EmOutubrode1958,JosephLicklider,contratadopelaARPA,criouoInformationProcessingTechniques

Office (IPTO),demodoagarantiracomunicaçãoentreos investigadores, conduziua investigaçãoparaa

criaçãodeumarede–NET–detransferênciadedadosentrecomputadores.LickliderabandonouaARPA

em1965,porémainvestigaçãonestaáreacontinuouaserdesenvolvidapelaARPA.Apósalgunsanoscom

desenvolvimentos na forma de partilha da informação (que levaram a criação de protocolos de

transferência de dados) foi criada, em 1969, a primeira rede de computadores – ARPANET – que ligava

computadores entre a Universidade da Califórnia em Los Angeles, o Stanford Research Institute, a

UniversidadedeUtaheaUniversidadedaCalifórniaemSantaBárbara,utilizandoa rede telefónicapara

partilharainformação,estandoaexpansãodasprimeirasnetsrepresentadasnaFigura1.

Figura1:Mapacomevoluçãodasprimeirasredes(nets)

Fonte:https://sites.google.com/site/sitesrecord/o-que-e-arpanet


3

ComoaparecimentodeoutrasredesnosEstadosUnidos,foinecessáriogarantiracomunicaçãoentre

várias NETs de informação. Vinton Cerf e Robert Kahn utilizaram o protocolo TCP/IP para garantir a

comunicação entre 3 redes distintas (ARPANET, RPNET e STATNET) e aí nasceu o conceito de internet.

Contudo,estetermosósetornoupopularquando,em1990,aARPANETfoisubstituídapelaNSFNET,que

sepopularizoucomointernet.Em1991otermoWorldWideWebéutilizadopelaprimeiravez. Rapidamente, o surgimento de novas redes estendeu-se ao continente Europeu, com redes em

InglaterraeemFrançaondenoâmbitodoprojetoCyclades,foiconstruídaaTRANSPAC–umnódestarede

foiinstaladoemLisboa,nascendoassimainternetemPortugal.Nadécadade80,ainternetcomeçaaser

utilizadaporalgumasempresaseuniversidadesportuguesas, sendoqueem1991todasasuniversidades

estavamabrangidaspelaRCCN–RededaComunidadeCientíficaNacional. Em1995,aPortugalTelecom

surgecomooprimeiroInternetServiceProvider(ISP)elançaokitTelepac,democratizandoassimoacesso

à internetàpopulaçãoemgeral.Desdeentãosurgiramváriosnovos ISP’s,eatecnologiasobreoqualos

dadossãotransferidosevoluiudesdeligaçõespormodemeRDIS(RedeDigitalIntegradadeServiçosvulgo

linha telefónica), a ligaçõesporADSL, cabooumais recentemente fibraótica, nasquais a velocidadede

transferênciadedadosébastante superior–atualmenteexistemsoluções com400Mbpsdevelocidade

garantidadetransferência,quecomparamcom56Kbpsdevelocidademáximadosmodemsdadécadade

90.

NaprimeiradécadadoséculoXXI,comademocratizaçãodainternetcomobemdeconsumopessoale

doméstico, assistiu-se àquilo que é vulgarmente chamada “explosão da internet”, aumentando

exponencialmente o número de utilizadores, de sites, de novos conteúdos e de novas aplicações da

internet (Gráficos 1 e 2). Foi, a partir deste período, que surgiram alguns dos principais serviços que se

tornaramreferênciaeparteintegrantedodia-a-diademilhõesdepessoasdaatualidade(Tabela1).

Fonte: http://www.internetworldstats.com

Gráfico1:Utilizadoresdeinternetporcontinente


4

Fonte: http://www.internetworldstats.com

Tabela1:PrincipaislançamentosdahistóriadainternetnosprimeirosanosdoséculoXXI

Anodelançamento Serviço Descrição

2001 Wikipedia Repositóriodeconhecimento

2003 Wordpress Ferramentadecriaçãoeediçãodesites

2003 iTunesStore Lojaonlinedemúsicaefilmes

2003 LinkedIn Redesocialparaprofissionais

2003 Skype Ferramentaparavideoconferências

2004 Facebook Redesocial

2004 Gmail Ferramentadeemail

2005 Youtube Ferramentadepartilhaevisualizaçãodevídeos

2006 Twitter Redesocial

2008 Evernote Ferramentadeorganizaçãodeinformação

2010 Pinterest Redesocial

2012 Google+ Redesocial

Atualmente, em 2015, considera-se que estamos a viver a 2ª geração da internet (ou Web 2.0). A

primeira geração da internet (ou Web 1.0) diz respeito à implementação da rede per si e do

desenvolvimento dewebsites. A segunda geração é caracterizada pelo relacionamento dos utilizadores

entre si, gestores de conteúdos ou empresas – tendo como exemplo a relação dos utilizadores com o

Youtube ou o Facebook ou ferramentas colaborativas como a Wikipedia, nos quais são os próprios

utilizadoresageraremosconteúdosdoprópriowebsite.Aterceira(epróxima)geraçãode internet(Web

Gráfico2:PenetraçãodeInternetnaPopulação(Junho/2014)


5

3.0 ouWeb semântica) tem por base a premissa de que a rede se consiga organizar autonomamente,

“aprendersozinha”comoconhecimentodisponíveleapresentarasmelhoressoluçõesparaumutilizador

específico sobre determinado problema. O conceito associado a esta 3ª geração de internet tem sido

bastante criticado e posto em causa por ser um conceito extremamente ambicioso, idealista e que

dificilmenteseráexecutado.Aindaassim,osgigantesdaindústria jáestãoaprepararosseusmotoresde

busca para esta terceira geração, sendo que o Google Search, oMicrosoft Bing e oWolfram Alpha, de

StephenWolframtêmdadopassosimportantesnestamatéria.

Outro avanço que importa destacar relativamente ao modo como é consumida a internet é a

multiplicidadededispositivosedosnovosusosqueépossíveldaràinternet.Longevãoosanosemqueera

necessárioumcomputadordesktopouumportátilparaacederà internet.Nestemomento,eapartirde

preços bastante reduzidos e ao alcance da generalidade da população, é possível a aceder à internet

através de smartphones, tablets ou wearable devices. Estes últimos dispositivos, que estão ligados à

internet através de redewireless ou móvel e são, muitas vezes, usados como um acessório de moda

(pulseiras, relógios, fitas de competição), constituem uma tendência crescente nos últimos anos,

permitindo-nosmonitorizarváriosaspetosdavidaquotidiana(porexemplo,onúmerodekmspercorridos

duranteumacorridamatinal,onúmeroeaqualidadedashorasdesono,etc.)eprometemrevolucionara

formacomoexperienciamosodia-a-dia.

1.2) EvoluçãodoE-commerceEm termos gerais, o termoe-commerce (Electronic Commerce), que emportuguês significa Comércio

Eletrónico,correspondeàstransaçõescomerciaisefetuadasatravésdedispositivoseletrónicoscomacesso

àinternet(computadores,smartphones,tablets,…),apartirdasquaissãoadquiridosprodutosouserviços

através de meios puramente digitais, que não envolvem contacto humano entre o consumidor e o

comerciante.

Turbanetal.(2008)definemocomércioeletrónicocomooprocessodecompra,venda,transferênciaou

trocadeprodutos,serviços,e/ouinformaçãoatravésderedesdecomputadores,incluindoainternet.Jáo

Eurostat adota uma definição em linha com a defendida pela Organização para a Cooperação e

DesenvolvimentoEconómico(OCDE),segundoaqualocomércioeletrónicoconsistenatransaçãodebense

serviçosentrecomputadoresmediadosporredes informáticas,comaressalvadequeopagamentooua

entregadosprodutostransacionadosnãotêmdeocorrer,obrigatoriamente,atravésdessasredes.

Independentementedaformacomooconceitodee-commerceédefinido,importareterqueaquiloque

distingue o comércio eletrónico do comércio tradicional é, sobretudo, a forma como a informação é

trocada e processada entre as partes intervenientes, sendo que, no caso do comércio eletrónico, o

contactopessoaldiretoentreosenvolvidosésubstituídoporfluxosdeinformaçãotransmitidosatravésde


6

umarededigitaloudeoutrocanaleletrónico(ANACOM,2004).

Existem diversas formas de classificar o e-commerce, consoante, por exemplo, o tipo de produto ou

serviço transacionado, o sector de atividade a que correspondem, a tecnologia de suporte usada, os

montantesenvolvidosnastransaçõesouotipode intervenientesnoprocesso.Umadasclassificaçõesmais

comuns tememcontao tipode intervenientesenvolvidose identificaquatro tiposprincipaisde comércio

eletrónico (Saraiva, 2012): Business-to-Business (B2B), Business-to-Consumer (B2C), Business-to-

-Administration(B2A)e,porúltimo,Consumer-to-Administration(C2A).Nestetrabalhoanalisaremosotipode

e-commerce B2C, uma vez que pretendemos estudar os hábitos de e-commerce dos consumidores

portugueses.

Antesdaexistênciadestasclassificações,ahistóriadoe-commercenascecomMichaelAldrich,queem

1979inventouoconceitodeOnlineShoppingparaossegmentosB2CeB2B.Em1980,Aldrichinventaainda

oTeleputer(muitasvezestraduzidocomo“Telecomputador”)–umamáquinaqueresultadafusãodeum

televisor, um computador e a própria rede de telefone doméstica. O Teleputer foi produzido e

comercializado durante vários anos como uma máquina para fazer transações eletrónicas. Em 1981 a

ThomsonHolidays fazaprimeira transaçãoeletrónicadahistória,nestecasonomercadoB2B.Trêsanos

maistarde,aTescofazaprimeiravendaparaosegmentoB2C.

Em1994foramfeitosváriosavançosaoníveldaencriptaçãodedados(SSLEncryption),oquelevoua

umamaiorsegurançanospagamentosfeitosatravésda internet.Nessemesmoano,aPizzaHutvendeua

suaprimeirapizzaonline. Em1995,nasceramdoisdosprincipaisplayers domercadodee-commerce da

atualidade:aAmazoneoeBay.

Em 2002 o eBay adquire o PayPal, ferramenta que foi adotada pela generalidade dos sites de

e-commerce, e que tornou as compras online mais rápidas, cómodas e seguras. Mais recentemente é

possívelaqualquerutilizadorque tenhaumsite eumnegóciopróprio tera suaprópria lojaonlinequer

através de soluções open-source, quer através de ferramentas como o Shopify que faculta, através do

pagamentodeumamensalidade,umalojaonlinecomasfuncionalidadesmaisavançadasdomercado,não

exigindo conhecimentos técnicos de informática avançados por parte do utilizador para colocar o seu

negócio online. Outra das soluções encontradas por pequenos retalhistas foi a venda dos seus

produtos/serviços através de ferramentas colaborativas ou redes sociais, como o Facebook, através das

quaisoscomerciantesexpõemgratuitamenteosseusprodutos/serviçosparaumadeterminadaaudiência.

Desde o início da primeira década de 2000 até hoje o comércio eletrónico B2C tem registado uma

evoluçãoassinalável,quernoespaçoeuropeu,queremPortugal,demonstrandooenormepotencialqueo

comércioonlinetemnasociedadedosnossosdias.Entre2004e2010,aproporçãodeconsumidoresque

realizou compras online nos últimos 12meses cresceu significativamente, duplicando (aumento de 20%

para40%)nocasodaUniãoEuropeiaetriplicando(aumentode5%para15%)nocasodePortugal(Santos,

2011).Aindaassim,nageneralidadedospaísesdaUniãoEuropeiaaproporçãodeconsumidoresqueefetua


7

comprasonlineérelativamentebaixasendo,nageneralidadedospaíses,inferiora50%.Damesmaforma,

afrequênciacomqueamaiorpartedosconsumidoresrealizacomprasonlineéreduzida(Santos,2011).

Jánoquedizrespeitoàpercentagemdasempresasquevendeonline,deacordocomumrelatórioda

ComissãoEuropeia(2009),PortugalestáacimadamédiadaUniãoEuropeia.Apesardoe-commerceainda

estarnumafasedecrescimento,asempresasjáimplementamestesistemadecomércioecompreendem

assuasmais-valias(Bhanji,2010).

Por último, importa destacar alguns fatores que têm tido um papel de relevo no crescimento

significativodasvendaseme-commerce,aocontráriodoqueacontececomocomérciotradicional:

• O aumento da velocidade de acesso à internet, a hiper conectividade que o serviço móvel

possibilitaeademocratizaçãodatecnologia;

• Asvendasatravésdesitesdepromoçõesouvalespromocionais;

• Aevoluçãodosmétodosdepagamento;

• Olançamento,em2000,doGoogleAdWords–umaferramentaintegradanapesquisadoGoogle

que apresenta anúncios associados à pesquisa do utilizador. Esta ferramenta permitiu às

empresasapresentarosseusprodutosnumazonadedestaquenomomentoemqueoutilizador

estáafazerpesquisasrelacionadascomessesprodutos,pagandoapenascasooutilizadorclique

noanúncio.

1.3) ModelosdeComportamentodoConsumidorOnline

Váriosautorestêmprocuradoadaptarecriarmodelosdecomportamentodoconsumidoradequadosao

contextoonline,quepodemajudaracaracterizareacompreenderoshábitosdee-commerce.Cheunget

al. (2003) propuseramumModelo de Intenção, Adoção e Continuidade/Recompra. De acordo com este

modeloexistem5fatoresquemoldamaintenção,aadoçãoeacontinuidadedacompraonline:

• Característicasdoconsumidor: as característicasdemográficas,depersonalidade,estilodevida,

motivação, satisfação, confiança, entre outras determinam e revelammuito sobre a adesão à

compraonline;

• Característicasdoproduto/serviço:otipodeproduto,afrequênciadecompra,atangibilidadeea

diferenciaçãodepreço são algumasdas características quemoldamaperceçãodo consumidor

online;

• Características domeio: o consumidoronline valoriza e procura a facilidade de uso domeio, a

segurançaearapidez;

• Características do comerciante e do intermediário: na escolha do consumidor online também

pesam fatores como a qualidade do serviço, a privacidade dos dados, o sistema de entrega, o

serviçopós-vendaouareputaçãodamarca;


8

• Influências do ambiente envolvente: a cultura, a imagem, o ambiente social ou os hábitos de

trabalhosãooutrosdoselementosquepodeminfluenciaroconsumidoronline.

Zhou et al. (2007) propõem outromodelo – oModelo de Aceitação de ComprasOnline. Os autores

analisaram a literatura existente sobre os fatores de consumo que influenciam o comportamento do

consumoonline.Deacordocomestemodeloaexperiêncianainternetafetaasmotivaçõeseaintençãode

compra online, assim como a experiência do consumidor online. As características demográficas dos

consumidores (comoa cultura,o sexo,a idadeou tipodeprodutosquecompram) têm impacto sobrea

perceçãoderiscoeoresultadopercebidodacompra–elementoqueassumeimportâncianestemodelo.

Esteresultadorefere-seàperceçãodepossíveisresultados(positivosounegativos)docomportamentode

compra. A intenção e a realização da compra online são ainda afetadas pelas crenças normativas dos

consumidoresepelasrecomendaçõesdefamíliaeamigos.

Asatisfação,enquantosentimentogeraldoconsumidoronlinesobreaexperiênciaanteriordecompras

online, constituium forte indicadordacontinuidadeda intençãoe realizaçãodecomprasonline, a longo

prazo(Saraiva,2012).

1.4) PerfilSociodemográficodoConsumidorOnline

Deacordocomosresultadosde2009doBaremeInternetdaMarktest,umemcadacincoportugueses

jáfezcomprasdeprodutosouserviçosatravésdainternet.Estes1667milportuguesesrepresentam20,1%

dototaldeindivíduos,comidadesuperiora15anos,queresidemnocontinente,e37,2%dosutilizadores

da internet (Bhanji,2010).Apesarde83%dosutilizadorespesquisar informaçãosobrebenseserviçosna

internet,apenas34%destesconcretizaarealizaçãodecomprasonline (Santos,2011).Quecaracterísticas

diferenciamestesconsumidoresonline?

DeacordocomSantos(2011)osindivíduosdosexomasculino,comidadescompreendidasentreos16e

os44anos,detentoresdehabilitaçõesliteráriasaoníveldoensinosecundárioedosuperior,estudantese

empregados,assimcomoresidentesnaregiãodeLisboadestacam-sepositivamentedaproporçãomédia

nacional de utilizadores do comércio eletrónico. SegundoBhanji (2010) os idosos, residentes no Interior

Norte, reformados e domésticas, assim como consumidores de classes sociais mais baixas são os que

menosaderemaoe-commerce.

Saraiva (2012) sintetizou os principais resultados de diversos estudos que procuraram investigar os

fatores sociodemográficos gerais que influenciam as compras online, concluindo que os homens fazem

comprasonlinecommaisfrequênciaegastammaisdinheirodoqueasmulheres;nãoexistemresultados

clarossobrearelaçãoentreaidade,ograudeinstruçãoefrequênciadecompraonline.

NoquedizrespeitoaogénerotambémRodgerseHarris(2003cit.inFerreira,2013)afirmamqueapesar


9

do número de utilizadores da internet estar igualmente dividido entre géneros, mais homens do que

mulheres realizam comprasonline. Em Portugal, segundo dados do INE/UMIC, em 2012, a utilização do

e-commerceeramuitosemelhanteentrehomensemulheres(14,1%e12,5%,respetivamente).

Estudos recentes sublinhamquehomensemulheresvalorizamaspetosdiferentesdoe-commerce: as

mulheres focam-se mais na confiança e garantia de segurança, assim como na capacidade de partilhar

opiniões; os homens interessam-se mais pelo valor obtido através da compra (Ferreira, 2013). Para os

homens não é relevante o facto de no consumo online não ser possível interagir fisicamente com o

vendedor,masprivilegiamaconveniênciadascomprasonline.Paraasmulheres,aconteceooposto:dão

mais importânciaàdimensãosocialdacompradoqueàconveniência.Estepodeserumdosfatoresque

explicaofactoeutilizaremoe-commercecommenorfrequência(Saraiva,2012).

Relativamente à idadeos estudos são contraditórios em relação à idade dos consumidoresonline no

quedizrespeitoàintençãoefrequênciadacompraonline–algunsestudosidentificamrelaçõespositivas,

outrosnegativaseoutrosaindaumaausênciaderelação(Saraiva,2012).

UmestudorealizadopelaACEPI(2010)notouqueacategoriadeprodutosmaiscompradosatravésda

internet durante o primeiro trimestre de 2010 foi o da Eletrónica/Telemóveis (24%), seguido pela

Informática(15%)eAlimentação/Bebidas/Tabacaria/Charutos(15%).

1.5) MotivaçõeseVantagensAssociadasaoE-commerce

Umavezque,nocontextoonline,oconsumidorinteragecomelementosdiferentesdocontextooffline,

nomeadamentecomatecnologia,éimportantecompreenderaspreferênciasemotivaçõesdoconsumidor

pararealizarcomprasatravésdocomércioeletrónico.

Analisandodiversosestudos,Lima(2012)concluiuqueocomportamentodecompraonlineémotivado

porváriosfatores,entreosquaissedestacamopreçobaixo,aconfiança,aconveniência,apoupançade

tempo,oatendimentoaoconsumidoreapossibilidadedecomparaçãodeprodutos.

Ferreira (2013) reúne um conjunto de investigações que distinguem entre motivações utilitárias

(consumidor orientado por objetivos – quer cumprir o objetivo da compra de modo eficiente e sem

desperdiçar tempo) ehedónicas (consumidororientadoporexperiências – procura sensaçõesdeprazer,

diversãoefantasiaduranteacompra)paraacompraonline.

ArevisãodeliteraturarealizadaporSaraiva(2012)confirmaqueosconsumidorescompramonlinepelo

seu carácter utilitário e vêm na conveniência o principal benefício associado à compra online,

nomeadamenteaoníveldoacesso,poupançadetempoeeficiência.

Castro(2012)estudou,emPortugal,osfatoresqueinfluenciavamaprocuradeinformaçãoeaintenção

decompraonlinedeseguroautomóvel.Naprocurade informaçãoobteveevidênciasdequeasvariáveis

commaiorimpactosãoaperceçãodeutilidade,aatratividadedepreço,oenvolvimentoeaperceçãode


10

facilidadedeuso.Paraaintençãodecompraonline,asvariáveisquerevelaramtermaiorimpactoforama

perceçãodeutilidade,aatratividadedepreço,aconfiançaealealdade.

Édesalientarque,talcomonomercadooffline,tambémnomercadoonlineacredibilidadedaempresa

écrucial–osconsumidoresonlinecompramasmarcasqueconhecemenasquaisconfiam(MayaeOtero,

2002 cit. in Saraiva, 2012). Da mesma forma a personalização é muito importante na qualidade da

experiência de compra online e, portanto, as campanhas de comunicação, a interação comercial e as

situações de reclamação devem ser sempre geridas de forma orientada para o relacionamento com o

cliente(Saraiva,2012).

Tendoemcontaosfatoresqueparecemexplicaramotivaçãoparaoconsumoonline,váriosestudoseo

contributo de diferentes autores, Santos (2011) enumera os seguintes benefícios e vantagens do

e-commerce:

• Conveniência: possibilidade de comprar produtos e serviços em qualquer momento e em

qualquerlocal;acessoaummercadoglobal,sembarreirasgeográficas;

• Redução de custos: ao permitir reduzir os custos de comunicação, recolha de informação,

processamento de transações, distribuição de produtos digitais, cadeia de abastecimento e

serviçoaocliente,ainternetpossibilitaapráticadepreçosmaisbaixosnocomércioeletrónico;

• Qualidadedoserviço:osconsumidoresonlinebeneficiamdeumamelhorqualidadedoserviçoe

deumapoiopréepós-vendamaiseficiente,dadaaproximidadeentrefornecedoreseclientes;

• PersonalizaçãoeFoconoconsumidor:ocomércioeletrónicopermiteaos fornecedores recolher

informaçõesrelevantessobreascaracterísticas,gostos,necessidades,desejosecomportamentos

doconsumidoronline.Ousodessa informaçãopermiteconceberumaofertadebenseserviços

adequadaaoperfildoclienteeutilizarestratégiasdemarketingone-to-onequeconduzemauma

verdadeirapersonalização;

• Ausência de pressão para comprar: uma vez que não existem vendedores persuasivos, o

consumidorpodetomardecisõesaoseuritmoesempressão.

Restaacrescentarqueomercadoonlinetemtambémumpapelimportantenatomadadedecisõesde

consumidoresoffline.Muitos consumidores, embora finalizemoprocesso de compraoffline, recorrema

sitesonlineparacomprarpreçoseprocurarinformaçõessobreosprodutos(BroekhuizeneHuizingh,2009

cit.inBhanji,2010).


11

1.6) PerceçõesdeRiscoAssociadasaoE-commerce

A perceção de risco consiste na crença subjetiva do consumidor poder ter uma má experiência de

compra,ouseja,acomprapodernãocorresponderaoqueéesperado.Estaperceçãoderisco influencia

negativamenteaintençãodecompraearealizaçãoefetivadecompraspeloconsumidoronlineeémaior

do que a perceção de risco associada ao comércio tradicional, nomeadamente porque não existe uma

interaçãodiretaehumananarelaçãocomercial,assimcomopelosriscosdeprivacidadeepartilhadedados

queautilizaçãodainternetacarreta.Lima(2012)concluiuqueosconsumidoresonlinefariammaiscompras

onlinenãofossemaspreocupaçõesaoníveldosriscosdequebradesegurançaeviolaçãodaprivacidade.

Bhatnagaretal.(2000cit.inSaraiva,2012)vãomaislongeereferemqueaperceçãoderisconascompras

onlineémaiornocasodeprodutosdoquenocasodeserviços.

Santos (2011) sublinha que, em Portugal, a preocupação do consumidor com a privacidade da

informaçãopessoal surge comoumdosprincipaismotivosparaanãoadoçãodo comércioeletrónico.A

não realização de compras online é referida pelos consumidores como uma das consequências mais

relevantesdapreocupaçãocomasegurança.Deacordocomoautor,emPortugal,57%dosutilizadoresda

internetquenãocompraramonlinenoúltimoanofizeram-noporpreocupaçõescomasegurança,53%por

preocupaçõescomaprivacidadee42%porpreocupaçõescomaconfiança.

Destaforma,asegurançaeaprivacidadeconstituemdesafiosessenciaisparaosucessodoe-commerce.

Lopes (2014) analisouváriosestudos sobreos fatoresquemais influenciamaperceçãode segurançado

consumidoronline e enumerouos seguintes: atitudepara coma segurança e propensãodo consumidor

para confiar; conhecimento e experiência dos recursos de segurança; facilidade de uso do interface e

apresentação do website; presença de “https” na barra de endereço; existência de uma política de

privacidadeesegurançaedereceçãoeletrónica;credibilidadeecertificaçãoporterceirosdaempresaque

forneceoserviçoouproduto.

Bhanji (2010) sublinha ainda que aquando do momento de realização de uma compra online, o

consumidorsequestionasobreaformadepagamentoeosmecanismosdearmazenamentoetransmissão

de informações pessoais. O consumidor pode evitar a compra online devido à perceção dos riscos

envolvidosnatransmissãodeinformaçõescomoonúmerodecartãodecrédito.

Lee e Turban (2001 cit. in Santos, 2011) conceberam um modelo teórico que inclui quatro grandes

determinantes que estabelecem a confiança online e são moderados pela propensão individual para

confiar:

• Confiançanoretalhistaonline(capacidade,integridadeebenevolência);

• Confiançanainternetcomomeiodecompra;

• Infraestruturas(segurançaecertificaçãoporentidadesexternas,porexemplo);

• Outrosfatores(comoadimensãodaempresaouvariáveissociodemográficas).


12

1.7) MeiosdePublicidadeOnline

Apublicidadeonlinecorrespondeàsaçõesdemarketingatravésdemeiosinterativos,nomeadamentea

internet,eutilizaumtipodecomunicaçãoparticularmenteorientadoparaainteração(Nordeste,2009).

De acordo com Zeff e Aronson (2000 cit. in Cabral, 2011), a publicidade online possui quatro

características distintas: focalização (possibilidade de impactar determinados consumidores ou áreas

geográficas,assimcomodirecionarasmensagenspromocionais conformeahoradodiaouaplataforma

online);monitorização(dointeresseedoenvolvimentodoutilizadorcomdeterminadamarca,assimcomo

da resposta a determinada peça publicitária através do número de vezes que é clicada, do número de

comprasoudeindicaçõesquegerou);entregaeflexibilidadedamensagem(possibilidadedeanunciarem

temporeal,24horaspordia,365diasporano,assimcomodeatualizaroucancelaracampanhaaqualquer

momento);einteratividade(possibilidadedosconsumidoresinteragiremecompraremumproduto).

Àmedida que a internet se desenvolve vão surgindo novas formas e formatos de publicitaronline –

banners,botões,floatingads,interstitialbanners,mapads,MRECS,pop-upadsousuperstitials.Paraalém

destes, mais tradicionais, têm surgido abordagens de marketing one-to-one, que personalizam as

mensagens publicitárias conforme os clientes – email marketing, newsletters, emails promocionais,

marketingviraleSearchEngineMarketing,porexemplo(Nordeste,2009).

As campanhasdeemailmarketing constituemumdosmeiosde angariação comercialmais utilizados

atualmente, permitindoumaabordagemdireta, semcustos (ou comcustosmuito reduzidos)queatinge

milharesdeutilizadoresrecorrendoaumataxadeesforçodiminuta.Faceaoutroscanaisdepublicidade

offline(comoatelevisãoouosoutdoors),oemailmarketingpermiteàsempresasmediroimpactoefetivo

daAçãopublicitária(porexemplo,númerodeutilizadoresqueviramoemail,queoabriram,queforamao

sitedaempresaouqueacabaramporrealizarumacompranasequênciadoemail).

É possível ainda, hoje emdia, associar publicidade aosmotores de busca ou às redes sociais.Nestes

casos,asempresaspodempublicitarosseusprodutosouserviçosapenasadeterminadaaudiênciaeainda

recolher informação detalhada sobre os utilizadores de modo a, posteriormente, adequar novas ações

publicidadesaosseusgostos,interessesecomportamentosdeconsumo(Nordeste,2009).

Porexemplo,umanunciantequelanceumaaçãopublicitárianoFacebookpodesegmentá-lademodo

muitoespecíficoemfunçãodoperfildeconsumidorquepretendeatingir:mulheres,entreos20eos60

anos,queresidamnocentrodopaís,quejásejamclientesdamarca.Ouaindaemfunçãodoseuhistórico

denavegaçãonainternet,porisso,éfrequente,quandopesquisamosumdeterminadohotel,voltarmosa

ver anúncios a esse mesmo hotel na página de Facebook ou noutras que permitam este tipo de ação

publicitáriaderemarketing.


13

1.8) EstudosRealizadossobreE-commerceemPortugal

Santos(2011)procurouanalisaraformacomoapreocupaçãocomaprivacidadedainformaçãopessoal

nainternetexerceoseuimpactonaintençãodoconsumidorrealizarcomprasonline.Construiuummodelo

de investigaçãoqueestabelecequeapreocupaçãocomaprivacidadeexerceoseuefeitona intençãode

compraronline,por intermédiodasua ligaçãoaomodelodaconfiança-risco,àteoriadocomportamento

planeadoeaomodelodeadoçãode tecnologia.Osprincipais resultadosevidenciamqueapreocupação

com a privacidade na internet exerce o seu efeito em diversas crenças sobre a utilização do comércio

eletrónico. Este efeito é negativo sobre a confiança, a utilidade percebida, a facilidade de utilização

percebidaeocontrolodocomportamentopercebido,sendopositivosobreoriscopercebido.Porsuavez,

as trêsprimeiras crenças,deuma formapositiva, eo riscopercebido,deuma formanegativa, têmuma

influênciasobreaatitudeemrelaçãoàutilizaçãodocomércioeletrónico.Aintençãodeutilizarocomércio

eletrónico, enquanto principal variável explicada do modelo, sofre o impacto positivo da utilidade

percebida,docontrolodocomportamentopercebidoedaatitude(Santos,2011).

Com base numa amostra de 343 consumidores, obtida por uma amostragem do tipo bola de neve

(através de email e Facebook), Saraiva (2012) procurou identificar alguns dos principais preditores que

levam os consumidores a realizar compras online, nomeadamente as características demográficas, as

motivaçõeseexperiênciasdecompraonline,ascrençasnormativaseasperceçõesderiscoedebenefícios

associados à compra através da internet. O autor concluiu que existe influência entre o género e a

frequênciaemontantegastoonline;queosamigoseosfamiliaressãoasreferênciasquemais influência

exercemnascomprasonlineequeasatisfaçãoonlineinfluenciapositivamenteascomprasonline.Registou

aindadiferençasnosprodutoscompradosonline entrecadaumdosgéneros,bemcomonaperceçãode

riscoassociadosàinternet.

Ferreira(2013)analisouaexistênciadedivergênciasentreasperceçõesdossexosmasculinoefeminino

relativamenteacomprasonline.Atravésdeumquestionárioonline inquiriu274respondentes,combase

numaamostragemdo tipoboladeneve (recorrendoaoFacebookparadivulgaroquestionário), sendoa

maioriadosexo feminino (58,8%),entreos25eos34anosde idade (43,8%), comhabilitações literárias

equivalentes ou superiores à licenciatura. A dimensão onde foram encontradas maiores diferenças

percetuaisentreambos foiadimensãoEmoção (grauemocionaldehomensemulheresnomomentode

compraonlineegrauesatisfaçãoemocionalapósacompraefetuada),enquantoadimensãoConveniência

(graudeutilidadeprática/conveniênciaatribuídoacomprasonline)mostrouseraquetantoasMulheres

comoosHomensinquiridosatribuemmaiorimportância.

Lopes(2014)realizouumainvestigaçãosobreaspreferênciasdosconsumidoresemmercadosdigitaise

tradicionais.Dos172participantesqueresponderamaoquestionárioonline,enviadoporemailparaabase

daNetsonda,amaioriatinhaentre25e34anos(44%),formaçãodegrausuperior(82%)eeramgrandes


14

utilizadoresdainternet(59,3%).Apenas19%pesquisavaprodutoseserviçosnainternetesó11%comprava

onlineserviçoseprodutos.Osparticipantescompravammaisfrequentementeviagens/estadias(52,7%),no

Mercado online (comparativamente ao mercado tradicional). A maioria dos inquiridos revelou ter um

interessemoderado relativamente às campanhas demarketing. Acerca dos aspetosmais valorizados na

compra de produtos/serviços via internet a maior parte dos participantes referiu a possibilidade de

pesquisaecomparaçãodeprodutos(24%)eacomodidade(22%),assimcomopreçosmaisbaratos(19%)e

rapidez(17%).Sobreosaspetosmenosvalorizadosnacompradeprodutos/serviçosonline,osparticipantes

referiramonãopoderexperimentaroproduto(16%),terdepagarportesdeenvio(15%),adificuldadeem

devolveroproduto(12%),oprazodeentrega(9%),a insegurançaaofazeropagamentoenareceçãoda

encomenda(8%),oesgotamentodostock(7%),aconfiançanoprodutoeoondecomprar(6%cada),onão

ter diversificação demodos de pagamento (5%). Em resposta à pergunta sobre a frequência de compra

online,amaiorpartedosinquiridosrespondeuumavezpormês(53%)eumavezporano(30%).Amaior

parte dos participantes classifica o seu nível de confiança relativamente às compras online como

médio-alto.

1.9) PertinênciaeObjetivosdoEstudo

Apresentedissertaçãotemcomoobjetivogeralcontribuirparaoconhecimentosobreoshábitosdee-

commerceemPortugal,sobumaperspetivaBusiness-to-Consumer.

Como vimos, a generalização do acesso à internet em Portugal, as alterações dos hábitos dos

consumidores,bemcomoacrescentepenetraçãodastecnologiasmóveis(nomeadamentesmartphonese

tablets)conduziramaumatransformaçãodosprocessosdecompra,posicionandooe-commercecomoum

elementocadavezmaisindispensávelnomundoempresarial.

Neste sentido,enamedidaemqueos resultadospermitamconhecermelhoroperfil do consumidor

online,esteestudopodedarumcontributoempresarialrelevante.

O conhecimento das características dos hábitos de e-commerce pode aumentar a eficácia das

estratégias dee-commerce, abrindoportas a umaabordagemde segmentação, daqual podemdecorrer

ações concretas para diferentes perfis de clientes. Conhecer os fatores que determinam (ou não) a

realizaçãodecomprasonline,podeaindacontribuirparaqueasempresaspossaminfluenciarmudançasde

comportamento nos seus clientes, aumentando a eficiência do plano de comunicação e otimizando

processoseestratégiasdecanalquevalorizemoqueémaispotenciadordocomportamentodesejado.

Desta forma,quero crescimentodoe-commerce emPortugal,quera sua relevânciaparaadefinição

futurasdeestratégiasdee-commerceporpartedasempresas,justificamapertinênciadopresenteestudo.

Maisconcretamente,osobjetivosespecíficosaoníveldasaplicaçõesaosquaissepretendedarresposta

atravésdestetrabalhosão:


15

• Traçaroperfildosconsumidoresonlinedopontodevista:

o Das suas características sociodemográficas (idade, sexo, distrito de residência, estado

civil,númerodefilhosegraudeinstrução);

o Dasuaexperiência,tipodecomprasehábitosdee-commerce;

o Dasdesvantagenseperceçõesderiscoassociadasàcompraonline;

o Dasmotivaçõesevantagensassociadasàcompraonline.

• Obter informação sobre o comportamento do consumidor online que permita às empresas

melhoraraeficáciadassuasestratégiasdee-commerce.

Alémdisso,dopontodevistaestatístico,pretendem-secompararosresultadosobtidoscomautilização

de três técnicas diferentes – a Análise de Correspondências Múltiplas, a Análise Discriminante com

particularincidêncianafunçãodeFishereaRegressãoLogística–naidentificaçãodascaracterísticasque

permitamdistinguiroscompradoresonlinedosnãocompradoresonline.


16

2) MétodosEstatísticos

Aolongodestetrabalhoserápreviligiadoousodastécnicasdeanáliseexploratóriadosdados,umavez

quehabitualmentenestetipodeestudosseusamamostrasrecolhidascomprocessosdeamostragemnão

probabilísticos (ver Capitulo 3). Para além da usual estatística descritiva univariada, serão usados

coeficientesdecorrelaçãoparaoestudodaeventualrelaçãoentreduasvariáveis,enaanálisemultivariada

serão usadas as técnicas: Análise de Correspondências Múltiplas, Análise Discriminante (com particular

interessenafunçãodeFisher)eRegressãoLogística.

2.1) CoeficientesdeCorrelaçãoNos questionários é usual predominarem questões cuja resposta é de natureza qualitativa. É nesse

sentidoqueseequadramoscoeficientesdecorrelação:Phi,deContingênciaedeSpearman,quepermitem

estudararelaçãoentreduasvariáveisqualitativas.

CoeficientedecorrelaçãodePhi

O coeficiente de correlação Phi é indicado quando as variáveis são dicotómicas. O coeficiente de

correlaçãoPhiobtem-seapartirdocoeficientelineardePearson,assumindoqueasvariáveissãodotipo

dicotómico.Destemodo,ocoeficientePhiestárelacionadocomocoeficientedequi-quadradoparauma

tabeladecontigência2x2.

Tabela2:Tabeladecontingência

y=0 y=1 Total

x=0 rss rst rs,v

x=1 rts rtt rt,v

Total rv,s rv,t r

ConsiderandoumatabeladecontigênciadotipodaapresentadanaTabela2,ocoeficientedecorrelação

dePhiédadapelaseguinteexpressão(Maroco,2007):


17

w =r00. r11 − r01. r10r{,0. r{,1. r0,{. r1,{

OcoeficientecorrelaçãoPhivariaentre-1e1.Quantomaispróximoestiverdestesextremos,maiorserá

aassociaçãoentreasvariáveis.Osinalnegativodacorrelaçãosignificaqueasvariáveisvariamemsentido

contrário,istoé,queascategoriasmaiselevadasdeumavariávelestãoassociadasacategoriasmaisbaixas

da outra variável. Pelo contrário, o sinal positivo indica que as variáveis variam nomesmo sentido. Um

valor próximo de zero é indicativo de não existencia de relação entre as variáveis. Existem várias

formulações para este coeficiente, sendo comumente aceite uma formulação onde o valor de Phi varia

entre0e1.Neste trabalhooptou-sepor se seguira formulaçãoapresentada,poisé coincidentecomos

softwaresutilizados.

Coeficientedecorrelaçãodecontigência

O coeficiente de contingência (C) permite correlacionar duas variáveis nominais, uma comr|}~�ÄÅ

categorias eoutra comrÇÉ|Ñ~ÄÅcategorias, presentes em tabelas de contigência, nãoexigindoqualquer

tipodepressupostorelativamenteàdistribuiçãodosdados.

Estecoeficientepodesercalculadodoseguintemodo(Conover,1999):

Ö =Üá

r + Üá ,

onderrepresentaonúmerodeelementosnaamostraeÜáaestatísticadequi-quadrado:

Üá =r}â −

r}.r.âr

á

r}.r.âr

~äãåçéèê

âët

~åíéìèê

}ët

.

De notar que este coeficiente varia entre 0 e 1, nunca alcançando o valor máximo, mesmo que as

variáveisestejamperfeitamentecorrelacionadas,umavezque:

0 ≤ Ö ≤ï − 1ï

,

ondeï = ñór(r|}~�ÄÅ, rÇÉ|Ñ~ÄÅ).

Ovalornuloéindicativodenãoexistênciaderelaçãoentreasvariáveis.


18

CoeficientedecorrelaçãodeSpearman

OcoeficienteòdeSpearmanmedeaintensidadedarelaçãoentreduasvariáveismedidasnumaescala

pelomenosordinal,usandoparatalaordemdasobservações.Destemodo,estecoeficientenãoésensível

aassimetriasnadistribuição,nemàpresençadeoutliers,nãoexigindoportantoqueosdadossigamuma

distribuiçãonormal,nocasoemqueasvariáveisemestudosãoquantitativas.Estemétodorevela-seeficaz

emcasosemqueexistaumarelaçãocrescenteoudecrescenteentreasvariáveis.

PodemoscalcularocoeficientedeSpearmandaseguinteforma(Maroco,2007):

ò = 1 −6 ô}

á~}ët

rö − r ,

onderéonúmerodepares(h},õ})eô} representaasdiferençaexistententesentreasordensdosvalores

correspondentesde(h},õ}).

OcoeficienteρdeSpearmanvariaentre -1e1.Quantomaispróximoestiverdestesextremos,maior

será a associação entre as variáveis.O sinal negativo da correlação significa que as variáveis variam em

sentido contrário, isto é, que as categoriasmais elevadas de uma variável estão associadas a categorias

maisbaixasdaoutravariável.Osinalpositivoindicaqueasvariáveisvariamnomesmosentido.Umvalor

próximodezeroéindicativodenãoexistênciaderelaçãoentreasvariáveis.

2.2) AnálisedeCorrespondênciasMúltiplas

AAnálisedeCorrespondências(AC)éummétododeanálisemultivariadacomoobjetivodeestudara

dependência entre os indivíduos e as categorias das variáveis, representados através de uma tabela de

contigência.Estemétodobaseia-senadecomposiçãodoqui-quadradodecontingência,sendooestudoda

dependênciarealizadocombaseemrepresentaçõesgráficas(emquedoisindivíduosouduascategoriasse

assemelhamtantomaisquantomaispróximosestiveremumdooutro)eporparâmetrosnuméricosque

permitemfazerasuainterpretação.

Ao longo deste trabalho iremos abordar, em particular, o método da Análise de Correspondências

Múltiplas(ACM).AACMrepresentaummétododeanáliseestatísticadedadosmultivariados,quepermite

realizarcomparaçõesentreváriasvariáveisatravésdavisualizaçãoereduçãodedadoscontidosemtabelas


19

degrandesdimensões.Utilizandoummétodofatorial,hierarquizaosdadosporordemdecrescentedograu

deexplicaçãodofenómenoemestudoeproduzvariáveiscompósitasqueresumemasrelaçõesexistentes

entreosatributosobservados(PestanaeGageiro,2003).

A Análise de Correspondências Múltiplas é uma generalização da AC para o caso de tabelas com

dimensãoigualousuperioratrês.Estatécnicaéespecialmenteadaptadaaotratamentodeumconjuntode

respostasdeuminquéritoporquestionário(noqualasperguntasrepresentamasvariáveis).

Poderemos resumir sumariamente as etapas da ACM em 3 grandes grupos: a quantificação das

categorias, a seleção das dimensões e a representação gráfica dasmedidas de discriminição e respetiva

interpretação.

Quantificaçãodascategorias

Numa primeira fase, e partir da matriz de input (matriz multidimensional na qual se dispõemr

indivíduos linhasdamatriz, caraterizadosporñvariáveis qualitativas – colunas), é criadaumamatriz de

presenças-ausências,matrizessaqueseráefetivamenteutilizadapeloalgoritmodaACM(Carvalho,2008).

Considerandoamatrizde inputsabemosqueascategoriasrepresentamosobjetosaelaassociadose,

porsuavez,osobjetossãocaraterizadosporpartilharemalgumascategorias.Estareciprocidadeintrínseca

à matriz é preservada no procedimento de transformação das categorias e dos objetos com o uso do

princípiodasmédiasrecíprocas.

Para cada categoria de uma variável regista-se a presença de diferentes objetos. As categorias das

variáveisefetuamumapartiçãoentreosobjetosdefinindosubgruposquesecaraterizamporpartilharem

certascategoriasdasdiferentesvariáveisemanálise.�Aquantificaçãodecadacategoriaé representativa

dos objetos que nela se inserem. Algebricamente a quantificação (ú) dasùcategorias dasñvariáveis é

dadapor(Carvalho,2008).

ú = ûüt. †°¢ (1)

onde:

ú:matrizdequantificaçõesdascategorias;�

û:matrizdefrequênciasdaspcategorias(númerototaldecategoriasemanálise);

†:matrizdepresenças-ausênciasdecadaobjetonascategorias;

¢:matrizdascoordenadasdosrobjetos.

Aexpressão(1)evidenciaqueaquantificaçãodascategorias (ú)é igualàmédiadascoordenadasdos


20

objetos que nelas se inserem (†°¢), ponderada pela frequência de ocorrência das categorias, a qual é

retiradadamatriz.

Tal como definida¢, as coordenadas de cada objeto é proporcional à média das quantificações das

categorias(ú)associadasacadaobjeto,istoé:

¢ ≅ †. ú/§.

De modo a tornar estar proporcionalidade numa igualdade, bastará incluir um factor de

proporcionalidade,cujovalorinversoserádenominadoporinérica(•).Assim,temos

¢ = †. ú/§1•.

Seleçãodasdimensões

Comoobjectivoa reduzir adimensionalidadedosdados, será interessantepoder visualizarosperfis,

ainda que de forma aproximada, num espaço de poucas dimensões. Esta é a essência da Análise de

Correspondências: a identificação de subespaços de poucas dimensões (preferencialmente com três ou

menos)quecontenhamosperfis.Assim,épossívelprojetarnosubespaçomencionadoosperfiseobservar

asposiçõesdassuasprojeçõescomoumaaproximaçãoàssuasverdadeirasposiçõesnoespaçooriginalde

maiordimensionalidade.Namaioriadoscasosnecessitamosdepelomenosumplanoparaaproximarou

ajustaroespaçomultidimensionaldanuvemdeperfis.

Neste sentidoaACMéclassificadacomoummétodode reduçãodedados,pois submeteosdadosa

transformações matemáticas permitindo, assim, rever num espaço de menores dimensões a estrutura

multifacetadaerelacionaldoespaçodepartida.

Assim, o primeiro passo consiste em determinar o número de dimensões a reter para a construção

gráfica (e a partir das quais se vai basear a análise).�A importância de cada uma das dimensões para

explicaravariânciadosdadosdeinput,podeseranalisadaatravésdosvaloresprópriosedainércia.

Osvaloresprópriosquantificamavariânciaexplicadapordimensãoeécomumusar-seumcritériode

escolhadasdimensõescujovalorpróprioésuperiora1.Ainérciavariaentre0e1equantomaispertodo

limite superior mais variância é explicada por dimensão. Assim, a importância das dimensões está

hierarquizada e vai diminuindo. É habitual privilegiar um número pequeno de dimensões, nas quais se

registamosvaloresdeinérciamaiselevados.


21

Éimportantenotarqueécomum,nocontextodaACM,queosvaloresdainérciaserembaixos,mesmo

paraasprimeirasdimensões.Benzécri(1982)afirmaqueapesardosvaloresdainércia(eporconsequência

avariânciaexplicada)serempotencialmentebaixos,nãosedevecessara interpretaçãodaanálise,sendo

queapoucarepresentatividadenuméricanãodeverásignificarfaltadequalidadenaanálise.Casoosperfis

individuaisnãoseafastemmuitodoperfilmédio,osvaloresdainérciaserãonaturalmentebaixos,porém

nãoperdemqualquertipoderelevâncianainterpretaçãoporessemotivo.

OmodelodeACMadmitenomáximo¶ − ßdimensões,onde¶éonúmerodecategoriaspresentesno

estudoeßéonúmerodevariáveissemvaloresomissos.Casotodasasvariáveispossuamvaloresomissos,

onúmeromáximodedimensõesédadopor¶ − 1.Écomestevalormáximodedimensõesquedeveráser

iniciadooestudo,passandoposteriormenteparaaseleçãodasdimensõesrelevantesparaomodelo.

Umavezdeterminadoonúmerodedimensõesareterécomumfazer-seadenominaçãodasdimensões

encontradas com base nos valores relevantes para a dimensão das mesmas resultantes da matriz de

discriminição.

Representaçãográfica

A representação gráfica das medidas de discriminação possibilita a observação da disposição das

múltiplas variáveis nos planos definidos e a avaliação da relevância de cada uma delas nas

dimensões.�Quantomaisafastadasestiveremasvariáveisdaorigemdográficoemaispróximasdeuma

única dimensão, maior é o indício da presença de dimensões que envolvem traços de caraterização

distintos. Por outro lado, variáveis próximas da origem correspondem a variáveis que não são

diferenciadorasparaasduasdimensõesconsideradasnesseplano.

A representação gráfica dos resultados da ACM permite visualizar no plano a nuvem de pontos das

categorias das variáveis, assim como a nuvem de pontos dos objetos caraterizados pelas variáveis em

causa.Anuvemdepontosdosobjetoséformadaapartirdoconjuntodosperfisdecadalinha.Damesma

forma,anuvemdepontosdascategoriaséformadaapartirdoconjuntodeperfisdecadacoluna.Apartir

daleituradoplanoépossívelaidentificaçãodeassociaçõesentrecategorias(proximidadedasprojeções).


22

ArticulaçãodaAnálisedeCorrespondênciacomaAnálisedeClusters

AACMpermite,dispondoos indivíduosouascategoriasemplanos,visualizarasrelaçõesqueexistem

entreasmúltiplasvariáveisemestudo.Quandoexisteproximidadeentrecategoriasdediferentesvariáveis

éinduzidaapresençadeindivíduosquepartilhamtendencialmenteasmesmascaracterísticas,reflectindo

a presença de grupos com perfis diferentes. Aplicando a Análise de Clusters e conhecendo-se a

configuraçãotopologiadoespaçoemanáliseépossíveldefinirosgruposesaberopesodecadaumdeles

naamostra.

Paraalémdetodasascombinaçõesgráficasdimensionaispossíveis,aACMpermiteaindaadisposição

das coordenadas das variáveis de cada dimensão, sendo que os valores das coordenadas são utilizados

comovariáveisdeinput(quantitativas)naAnálisedeClusters.

Neste sentido, Carvalho (2008) refere “para efetuar a articulação ACM/Análise de Clusters usam-se

como variáveis de input as coordenadas dos objetos (indivíduos) nas dimensões que sustentamo plano

que,porsuavez,configuraosgruposquesepretendemviradefinir”(...)“podeassimver-senaarticulação

destesmétodosdeAnálisedeDadosumaestratégiapara,apartirdaconfiguraçãotopológica,sepassarà

definiçãodetipologias”.

Assim, o interesse da combinação dos dois métodos justifica-se uma vez que pode resultar num

aperfeiçoamento dos resultados da análise. Embora cada técnica possua particularidades e objetivos

específicosdepesquisa,aassociaçãodetécnicasdiferentesecomplementarespermiteorefinamentodas

soluçõeseconclusõesencontradas.


23

2.3) AnáliseDiscriminante

AAnáliseDiscriminante(AD)éummétodoestatísticomultivariadocujautilizaçãovisa,genericamente,

identificar as características que distinguem os membros de um grupo dos de outro, de modo que,

conhecidasascaracterísticasdeumnovoindivíduo,sepossapreveraquegrupopertence.(Maroco,2007)

EstatécnicafoioriginalmentedesenvolvidanaBotânicatendoporobjectivofazeradistinçãodegrupos

deplantascombasenotamanhoenotipodefolhasoquetornariapossível,posteriormenteclassificaras

novasespéciesencontradas.Em1936,Fisherfoioresponsávelpelodesenvolvimentodaanáliseparadois

grupos.

Por via a escolher quais as variáveis que distinguem os grupos em análise, são criadas funções

discriminantes,provenientesdecombinações linearesdasvariáveis iniciais,quemaximizamasdiferenças

entreasmédiasdosgruposeminimizamasclassificaçõesincorrectasdoscasosnosgrupos.

UmdosmétodosutilizadosparadescobrirasvariáveisquediscriminamosgruposéaestatísticaΛde

Wilks,quesetratadeumamedidainversadograudediferenciaçãoentreosgrupos:quantomenoroseu

valor,maiorograudediferenciaçãoentreestes.Estaestatisticaédadapor(Maroco,2007):

� =®© =

®™ +® ,

onde ® representa a medida da variabilidade dentro dos grupos, ™ representa a medida da

variabilidadeentreosgrupose © amedidadavariabilidadetotal.Quantomaiorforasemelhançaentreos

doisdeterminantes,menoresserãoasdiferençasentreosgruposemaispróximooLambdadeWilksestará

de1.

A função discriminante linear ou de Fisher permite caracterizar cada um dos grupos através de uma

combinaçãolineardasvariáveisiniciais,permitindoverificarquaisasvariáveismaisimportantesparacada

umdosgrupos,eassimdeterminaraexistênciadediferençasounãoentregrupos.Destemodoépossível

caracterizarcadaumdos{gruposdaseguinteforma:

†´v = •}vß¨≠} + •âvß¨≠â + ⋯+ •~vß¨≠~


24

2.4) RegressãoLogística

ARegressãoLogística(RL)éummodeloparticulardaclassedosModelosLinearesGeneralizados(GLM)

nosquaisavariáveldependenteédicotómicaeondefunçãode ligaçãoédotipo logit.Àsemelhançade

outrosGLM,oobjetivodaregressãologisticaéexplorararelaçãoentreumaoumaisvariáveisexplicativas

(ouindependentes)eumavariávelresposta(oudependente).

Assim,aformulaçãodomodeloderegressãologísticaédadapor(Homer&Lesmeshow,2000):

Ø h =∞±≤≥±¥µ≥⋯≥±∂µ

1 + ∞±≤≥±¥µ≥⋯≥±∂µ,

ondeosparâmetros∑s, ∑t, … , ∑v sãoestimadospelométododemáximaverosimilhança.

Utilizandoaspropriedadesalgébricasdafunçãoanteriorefazendo,atransformaçãologaritmica:

π h = lnØ h

1 − Ø h,

temosafunçãologísticalinearizada(oufunçãologitdeprobabilidade)

π h = ∑s + ∑th + ⋯+ ∑vh,

ondeπ h ∈ ℝ.

Uma das primeiras etapas a realizar no uso regressão logística passa por determinar o modelo que

melhor se ajusta aos dados em análise, com o intuito de se obter ummodelo que permita descrever a

relaçãoentreavariávelresultadoeumconjuntodevariáveisindependentes(Braga,1994).Nestesentido,

há que determinar quais as variáveis que são relevantes para omodelo de regressão logística (Maroco,

2007:703-705).

Quando são cumpridos os pressupostos geralmente associados aos GLM, nomeadamente dada a

estrutura aleatória dos dados, a selecção das variáveis significativas para omodelo é feita combase no

testedeWaldouotestedarazãodeverosimilhança(HomereLesmeshow,2000).

NocasodaviolaçãodepressupostosbasedospressupostosdosGLM(Maroco,2007:685-703).éainda

mais importante a validaçãodomodelo, utilizando comomedidaaqualidadedoajustamentoeopoder

discriminante domodelo. Assim, demodo a avaliar o poder discriminante de ummodelo de regressão

logística,utiliza-seacurvaROC,gráficonoqual,oeixoverticalapresentaapercentagemdosverdadeiro-

positivo(asensibilidade)enoeixohorizontalapresentaosverdadeiros-negativos(especificidade).Acurva


25

ROC pode ser feita por meio de um gráfico, que permite estudar a os valores da sensibilidade e

especificidade,paradiferentesvaloresdecorte.Asensibilidadeédefinidacomoapercentagemdecasos

que omodelo forneceu um resultado verdadeiro-positivo, enquanto a especificidade é definida como a

percentagem de vezes que o modelo forneceu um verdadeiro-negativo. Deste modo e aplicando estas

métricasaosdadosiniciais,poderemosobterumapercepçãodaqualidadedoajustamento.

OutroindicadorimportanteédadopelacurvaROCéaáreaabaixodacurva(AUC).Combasenestevalor

épossíveldeterminaroquãodiscriminativoéomodeloencontrado.Épossível interpretarosvaloresde

AUCcombasenaTabela3(Maroco,2007).

Tabela3:PoderdiscriminativodomodeloderegressãologísticacombasenaáreaabaixodacurvaROC

ÁreaROC(AUC) Poderdiscriminativo

0,5 Sempoderdiscriminativo

]0,5;0,7[ Discriminaçãofraca

[0,7;0,8[ Discriminaçãoaceitável

[0,8;0,9[ Discriminaçãoboa

≥0,9 Discriminaçãoexcepcional

Atravésdosvaloresdoscoeficientesdomodeloderegressão logísticaobtidos,éaindapossível retirar

conclusõessobreascategoriasdavariáveldependente.Esta interpretaçãoéefectuadaatravésdocálculo

da razão das chances (odds ratio), isto é a razão entre a possibilidade de pertencer a uma categoria da

variável dependente face a outra. Desta forma, pretendemos comparar se a possibilidade de um

determinadoeventoéamesmaparadoisgrupos.Paraummodeloderegressãologística,seminterações

entreasvariáveis independentes,paraumadadavariávelooddsratioédadopor(Homer&Lesmeshow,

2000):

Ω´ = ∞±.


26

3) Metodologia

Depois da revisão da literatura sobre o aparecimento e evolução do e-commerce, assim como dos

principais modelos estatísticos que serão utilizados no decorrer deste trabalho, inicia-se este terceiro

capítulo comaapresentaçãodametodologiadoestudo:ashipótesesqueconduziramaeste trabalho,a

caraterizaçãodouniverso,adefiniçãodaamostraeosprocedimentosparaaconstruçãodoquestionárioe

recolhadosdados.

3.1) HipótesesTeóricasemEstudo

Arealizaçãodesteestudovisacompreenderoshábitosdeconsumoonline, sendoqueparatal, foram

formuladasasseguinteshipótesesquesepretendemserestudadas:

Hipótese1)Nãoexistemdiferençasentregénerosnoquedizrespeitoacomprar(ounão)online;

Hipótese2)Existemdiferençasentreosprodutoscompradosporhomensepormulheres;

Hipótese3)Existemdiferençasentreosserviçosquehomensemulheresaderemonline;

Hipótese4)Asinquiridasdosexofemininotemmaiortendênciaacomprarporimpulsorelativamente

aoshomens;

Hipótese5)Existemdiferençasentreasvantagensdacompraonlineidentificadasporcompradorese

nãocompradores;

Hipótese6)Existemdiferençasentreasvantagensdacompraonlineidentificadasporhomense

mulheres;

Hipótese7)Existemdiferençasentreasdesvantagensdacompraonlineidentificadasporcompradores

enãocompradores;

Hipótese8)Existemdiferençasentreasdesvantagensdacompraonlineidentificadasporhomense

mulheres;

Hipótese9)Existemdiferençasentreosmeiosdecomunicaçãodigitalpreferidosporhomense

mulheres;

Hipótese10)Existemdiferençasentreosmeiosdecomunicaçãodigitalpreferidosporcompradorese

nãocompradores;

Paraalémdashipótesesformuladasserãoabordadasoutrasquestões,colocadasaolongodoinquérito,

porviaapercebermelhorosperfisdeconsumodaamostraemestudo.


27

3.2) CaracterizaçãodoUniversodoestudoedefiniçãodaamostra

SegundoHilleHill (2002),aoconjuntototaldoscasos(conjuntodeentidadesquefornecemdadosna

formadeobservaçõesoumedidasdos valoresdeumaou várias variáveis) sobreosquais sepretendem

retirarconclusõesdá-seonomedePopulaçãoouUniverso.Umaamostraéumsubconjuntodeindivíduos

da população, que se analisa com o objetivo de retirar conclusões sobre essa população de onde foi

recolhida(HilleHill,2002).Comoveremos,aolongodesteestudo,nemsempreépossívelinferirresultados

para a população, devido à não representatividade da amostra em causa, o que pode enviesar as

conclusões.Nessescasosaanálisedeve-selimitar-seàinterpretaçãodosresultadosdogrupoconcretodos

indivíduosinquiridos.

Osprocessosaadotarnarecolhadaamostraagrupam-seessencialmenteemduascategorias(Vicente

etal. 2001): aleatóriosouprobabilísticos–quando cada indivíduodapopulação temumaprobabilidade

conhecidadefazerpartedaamostra;nãoaleatóriosoudirigidos–quandoháindivíduosdapopulaçãoque

nãotêmpossibilidadesdeserescolhidos.Aopçãoporumprocessodeamostragemprobabilísticocareceda

necessidadeexistênciadeumabasedeamostragem,ouseja,umalistagemdatotalidadedosindivíduosou

unidadesamostraisdapopulação.

Nestetrabalhoouniversoemestudoéconstituídopelos utilizadoresda internet,compelomenos18

anos. A dimensão desta população é desconhecida e, consequentemente, não existe uma base de

amostragemdamesma.Assimsendo,paraarecolhadaamostraoptou-seporumprocessodeamostragem

nãoprobabilístico.Tendoemcontaoobjetivodoestudoeosmeiosdisponíveis,optou-sepeloprocessode

amostragem bola de neve. Esta técnica é, tipicamente, utilizada em populações raras, de dimensão

desconhecidaoucujosmembrosnãosãopossíveisdeidentificar(Coleman,1958;Goodman,1961;Spreen,

1992).Baseia-senaescolha,porconveniênciaounão,deumconjunto inicialde indivíduosdapopulação

aos quais é pedida a participação no estudo e ainda que estes estimulem a participação no estudo de

indivíduosdouniversoporsiescolhidos.Aanalogiacomaboladeneveé facilmentecompreendidauma

vezqueoexpectável équedesdeomomentoemqueoestudoé lançadopeloutilizador, onúmerode

participantescresçaacadaiteração.Apesardafacilidadecomquepermiteadivulgaçãodoquestionário,a

amostragem em bola de neve pode apresentar constrangimentos ao nível da representatividade e

enviesamentodaamostra:os inquiridostêmtendênciaapartilharoestudocomamigosoupessoasmais

próximas, o que poderá conduzir a uma amostra cujos elementos possuem uma certa homogeneidade

entresi,compartilhandotraçosecaracterísticas,podendoaté levaraamostraaserapenasumsubgrupo

específicodouniversodeestudo(FaugiereSargeant,1997).


28

3.3) ConstruçãodoQuestionárioeRecolhadaInformação

UmquestionárioédefinidoporHilleHill (2002)comoumatécnicade investigaçãocompostaporum

número grande ou pequeno de questões apresentadas por escrito que tem por objetivo propiciar

determinado conhecimento ao pesquisador; é um processo rigoroso e dele dependem a medição das

variáveisdainvestigação

Segundo Hoz (1985) é um instrumento para recolha de dados constituído por um conjuntomais ou

menosamplodeperguntasequestõesqueseconsideramrelevantesdeacordocomascaracterísticasea

dimensãodoquesedesejaobservar.

Oencadeamentometodológico sobreoqual foi construídooquestionário (representadonaFigura2,

que tem como principal “pergunta-chave”: “Costuma realizar compras Online?” permitiu definir um

caminho distinto conforme a resposta dos utilizadores, tentando explorar as razões que os levam a

comprarounãoonline,estudandoparaambososgruposquaisassuasmotivações,asvantagensereceios

aocompraronlineassimcomooutrosaspetosrelacionadoscomosseushábitosdeconsumo.

Noperíododeconceçãodoquestionárioforamaplicadasduasversõespreliminaresdomesmo,auma

amostradeindivíduos,comoobjetivodeidentificarpossíveisasquestõesquecareciamdereformulação.

Combasenoscomentáriosobtidos,foielaboradaaversãofinalqueseapresentanoAnexo1.

Recorreu-se à ferramenta de FormuláriosdoGoogle Drive para construir o questionário em formato

eletrónico demodo a que fosse, por um lado, facilmente partilhável e inteligível e, por outro lado, um

métodosimplesefiáveldeintegraçãodosdados,diminuindoassimoserrosdecompilaçãopeloutilizador.

Esta ferramenta foi tambémbastante importanteparaadiminuiçãodoserrosporpartedosutilizadores,

impedindo, por exemplo que utilizadores que não costumam realizar compras online respondessem a

questõesdestinadasapenasaosquetêmessehábito.Umavezqueosmétodosescolhidosparapartilhado

questionárioforamoemaileredessociais,todososindivíduosquenãoutilizemestetipodeferramentas

foramautomaticamenteexcluídosdoestudo.

Apósarecolhadaamostra,acodificaçãodosdadoseposteriortratamentoestatísticoforamrealizados

nosprogramasExcel,IBMSPSSStatistics,versão22,eRProject.


29

Figura2:Fluxodoquestionárioaplicado

Caracterizaçãosociodemográfica

Costumarealizarcomprasonline?

Caracterizaçãodaexperiênciaonlinedosutilizadores

Oquecompra,quandocompra,quantasvezescompra… Porquenãocompra?

SegurançanascomprasOnline

Preferências

Sim Não


30

4) ApresentaçãoeDiscussãodosResultados

Nestecapítulopretende-secaracterizaroshábitosdee-commercedosinquiridos,apresentandoparatal

os resultadoseaanálisedos resultadosao inquéritoaplicado.Seguindoaordemnaturaldo inquérito,é

efetuadaumaanálisedescritivadosdados,sendoestudadascadaumadashipótesescolocadasdeacordo

com os métodos de se considerarammais relevantes. Para os temas relacionados com as vantagens e

desvantagensdacompraonlineassimcomodosmeiosdepublicidademaiseficazes,serãoexploradastrês

abordagens distintas (Análise de Correspondências Múltiplas, Análise Discriminante com particular

incidência na função de Fisher e Regressão Logística) com o objetivo de comparar os resultados e as

variáveisescolhidasentreosváriosmétodos.

4.1) Análisesociodemográficadaamostra

Participaramnoestudo400indivíduos,residentesem14dos18distritosdePortugal,sendoodistrito

maisrepresentadoLisboa(34,8%),seguidodeÉvora(33,5%)eSetúbal(8,3%)-Figura3.

Figura3:PercentagemdeindividuosdaamostradivididospelosdistritosdePortugal

34,8%

33,5% 8,3%

4,5%

3,8%

3,5% 3,0%

2,5%

2,3%

1,5%

1,0%

0,5%

0,5% 0,5%

0% 0%

0%

0%


31

Gráfico3:Sexodosinquiridos

A amostra é constituída por indivíduos entre os 18 e os 71 anos, sendo amaioria do sexo feminino

(Gráfico 3). Os homens do estudo apresentam uma idademédia (h =31,6 anos; s= 9,8) superior à das

mulheres(h =30,8anos;s=11,4).Paraambosossexosobserva-seumaassimetriapositivanadistribuição

das idades, indicando assim uma maior frequência de inquiridos com idades mais jovens (Gráfico 4).

Observa-se ainda a existência de outliers moderados superiores quer na distribuição das idades dos

homensquernadasmulhereseaindaumoutlierseveronoshomens.

Gráfico4:Caixadebigodesidadeporsexo

42%

58%

Masculino Feminino

42%

58%

Masculino Feminino

42%

58%

Masculino Feminino


32

Porconveniênciadetratamentodosdadosfoi feitaumacategorizaçãodavariável idadeem4classes,

emfunçãodasuafamiliaridadecomainternet:

• Jovens-adultos [18; 26[: faixa etária que se caracteriza pela entrada na vida adulta e a que

geralmente corresponde ummenor poder financeiro,mas a que está também associado um

maior conhecimento informático, uma vezque esta é uma geração nativa em questões

relacionadascomaInternet;

• Adultos[26;41[:faixaetáriaquecorrespondeaumageraçãoquecresceuemparelalelocomo

mundoinformáticoequepossuimaiorpoderdecomprafaceaosjovens-adultos;

• Adultos Maduros [41; 65[: representantes de uma geração que apenas contactou com a

Internetnavidaadulta;

• Séniores [65;+∞[:faixaetáriaquerepresentaos indivíduosquedurantegrandepartedasua

vidaadultanãotiveramacessoàInternet.

Na amostra em estudo, predominam os adultos e somente 1% tem 65 ou mais anos, ou seja, são

séniores (Gráfico 5). É aindapossível verificarqueentre asmulheres apercentagemde jovem-adultasé

semelhanteàdasadultas,enquantoentreoshomenspredominamosadultos.

Gráfico5:Distribuiçãodosindivíduosnasclassesdeidade,porsexo

0.0%

20.0%

40.0%

60.0%

80.0%

18)25 26)40 41)64 +,65

Masculino Feminino


33

Mais de 75% dos inquiridos possui grau de instrução universitária (Licenciatura, Mestrado ou

Doutoramento),oquedenota jánesta fasealgunsproblemasassociadosà representatividadedosdados

porviadaopçãotomadafaceaométododeamostragemutilizado:deacordocomosCENSOS2011,apenas

11,9%dosPortuguesestemformaçãosuperior.

Gráfico6:Distribuiçãodosindivíduosporgraudeinstrução

Cercade66,8%dosinquiridos(267indivíduos)sãosolteiros,30,0%sãocasadosouvivememuniãode

facto,2,5%sãodivorciadoseosrestantesviúvos.Amaioria (75,0%)dos inquiridosnãotemfilhos,sendo

que14,8%temumfilho,8,0%tem2filhoseapenas2,3%tem3filhosoumais.

4.2) ExperiênciaOnlinedosInquiridos

Umadasquestõescolocadasaosinquiridosfoiacercadasuaauto-perceçãodoquãoàvontadeestavam

como uso da internet, sendo que 89% deram a si próprios uma avaliação positiva (nota 6 ou superior,

numaescalaonde1representavautilizadores“nadaàvontade”e10utilizadores“totalmenteàvontade”).

Este valor tão expressivo pode ser explicável pela frequência de utilização da internet por parte dos

inquiridos:97,5%afirmouutilizarainternettodososdiasoumesmoconstantemente.

DaanálisedaTabela4verifica-sequecercade3emcada4 inquiridos (72%)respondeuquecostuma

realizar comprasonline, sendoqueentreoshomensaproporçãodosque compramonlineé superior à

observadaentreasmulheres(85,1%contra62,9%).Estaassociaçãoentreocomprarounãoonlineeosexo

éfraca(Phi=0,245;C=0,238).

01%

24%

43%

30%

02%

0%

10%

20%

30%

40%

50%

5º)ao)9º)ano 10º)ao)12º)ano Licenciatura Mestrado Doutoramento


34

Tabela4:Hábitodecompraronlineporsexo

Sexo

TotalFeminino Masculino

CostumarealizarcomprasOnline?

Não 86 25 111

Sim 146 143 289Total 232 168 400

Verifica-se que existe também uma associação fraca entre o comprar ou não online e a região de

residência dos inquiridos (Phi = 0,277), sendo na região de Lisboa aquela onde se regista uma maior

diferença entre a proporção de compradores e a de não compradores, comparativamente às restantes

regiões.

Considerando a percentagem de inquiridos que costuma realizar compras online por grau de

habilitaçõesacadémicas,observa-sequeexisteumaassociaçãopositivaforteentreestasduasvariáveis(ρ

=0,90;Gráfico7),oqueindicaquequantomaiorograudehabilitaçõesacadémicasdosindivíduosmaioré

aproporçãodeinquiridosquecostumaefetuarcomprasonline.

Gráfico7:Gráficodedispersãodapercentagemdeindividuosquecompraonlineemfunçãodograude

instrução


35

Tendo em conta a variável idade categorizada, da forma já referida anteriormente, foram os

jovens-adultosinquiridososquemaiscompraramonline,tendo84,8%delesreferidotercompradoonline

(Gráfico 8), seguindo-se os jovens tendo 65,0% deles já feito transações online. Estas percentagens são

explicadasporsetrataremdefaixasjovensdapopulação,maishabituadasaummundodigital.Tambémé

natural pensar-se que por via de ummaior poder de compra emaior independência os inquiridos com

idadeentre26e39anoscompremmaisqueosinquiridoscomidadeigualainferiora25anos.

Gráfico8:Percentagemdecompradoresonlineemcadaclasseetária

4.3) CompradoresOnline

Nesta secção serão apenas tidos em consideração os indivíduos que responderam “Sim” à questão

“Costumarealizarcomprasonline?”,ouseja,72%dosinquiridos

Talcomoditaosensocomum,oestudoreveloudiferençasclarasentreoshábitosdecompraonlineentre

osinquiridosporsexo.Àprimeiravista,éfácilverificarqueoshomenstêmumaapetênciamuitomaisforte

por comprar produtos relacionados com tecnologia, enquanto asmulheres se diferenciam por comprar

maisroupaeacessóriospessoais(Gráfico9).

65%

85%

49%

33%

0%

20%

40%

60%

80%

100%

Jovens1adultos Adultos Adultos8Maduros Séniores


36

Gráfico9:Produtoscompradospormulheresehomens

Por formaacompletaraanálisedahipótese2 (“Existemdiferençasentreosprodutoscompradospor

homensepormulheres”),iremosrealizarumaanálisemultivariadadosprodutosadquiridosonline.Serão

usadas três técnicas diferentes (a Análise de Correspondências Múltipla, a Análise Discriminante e a

RegressãoLogística)comoobjectivodeilustrarasdiferenças/semelhançasentreestastécnicas.

Análisedecorrespondênciasmúltiplas:

Recorremos à ACM para realizar uma análise conjunta dos produtos comprados online, na

averiguar diferenças entre géneros. Começou-se por se definir o númeromáximo de dimensões

permitem representar este conjunto de dados, i.e., 14 (Anexo 2). Em função dos resultados

seporconjugarodecaimentodosvalorespróprios(

Gráfico10)edaanálisedasmedidasdediscriminaçãoobtidas(Tabela5)parafazeraseleçãodonúmero

dedimensõesparaomodelo.Atravésdestesmétodos foramseleccionadas4dimensões,umavezquea

partir da 5ª dimensão, as variáveis relevantes para cada dimensãonão adicionamnadade novo face às

anteriores.Assim,omodeloescolhidorepresenta41,0%davariânciatotaldasvariáveis.

0%20%40%60%80%100%

Bilhetes/para/Concertos/Espétaculos

Acessórios/Pessoais/(Relógios

Automóvel/ou/outro/veículo/motorizado

Brinquedos

Livros

Experiências///Vouchers

Filmes/Séries

Roupa

Tecnologia

Produtos/para/o/Lar/e/Decoração

Brinquedos

Refeições

Viagens

Supermercado

Outros

Sexo/Feminino

0% 20% 40% 60% 80% 100%

Sexo/Masculino

0%20%40%60%80%100%

Bilhetes/para/Concertos/Espétaculos

Acessórios/Pessoais/(Relógios

Automóvel/ou/outro/veículo/motorizado

Brinquedos

Livros

Experiências///Vouchers

Filmes/Séries

Roupa

Tecnologia

Produtos/para/o/Lar/e/Decoração

Brinquedos

Refeições

Viagens

Supermercado

Outros

Sexo/Feminino

0% 20% 40% 60% 80% 100%

Sexo/Masculino


37

Gráfico10:Representaçãodavariânciadasdimensõesassociadasaosprodutoscompradosonline

Tabela5:Medidasdediscriminaçãoassociadasaosprodutoscompradosonline

Dimension

Mean1 2 3 4

BilhetesparaConcertos/Espétaculos 0,340 0,147 0,001 0,012 0,125AcessóriosPessoais(Relógios,Malas,Perfumes…,) 0,131 0,211 0,278 0,000 0,155Automóvelououtroveículomotorizado 0,015 0,008 0,001 0,045 0,017Brinquedos 0,286 0,048 0,036 0,116 0,121Livros 0,066 0,137 0,272 0,021 0,124Experiências/Vouchers 0,292 0,244 0,093 0,008 0,159Filmes/Séries 0,150 0,032 0,293 0,001 0,119Roupa 0,101 0,244 0,231 0,021 0,149Tecnologia 0,202 0,020 0,033 0,293 0,137ProdutosparaoLareDecoração 0,376 0,075 0,023 0,038 0,128Refeições 0,339 0,009 0,001 0,182 0,133Viagens 0,323 0,271 0,000 0,003 0,149Supermercado 0,275 0,003 0,018 0,308 0,151Outros 0,016 0,014 0,000 0,088 0,030Sexoa 0,028 0,009 0,109 0,017 0,041ActiveTotal 2,911 1,464 1,280 1,135 1,697%ofVariance 20,793 10,454 9,142 8,106 12,124

0 1 2 3

123456789

1011121314


38

Combasenosvaloresdasmedidasdediscriminiçãoeconsiderandoasvariáveisquemaiscontribuem

paraaconstruçãodecadaumadasdimensões,passaremosadenominarcadaumadasdestasdoseguinte

modo:

• Dimensão 1: “Generalistas” (produtos: “Bilhetes para Concertos/Espétaculos”, “Brinquedos”,

“Experiências/Vouchers”,“Tecnologia”,“ProdutosparaoLareDecoração”,“Refeições”,“Viagens”

e“Supermercado”)

• Dimensão2:“Actividadesemoda”(produtos:“AcessóriosPessoais(Relógios,Malas,Perfumes...)”,

“Experiências/Vouchers”,“Roupa”e“Viagens”)

• Dimensão 3: “Lazer e moda” (produtos: “Acessórios Pessoais (Relógios, Malas, Perfumes...)”,

“Livros”,“Filmes/Séries”e“Roupa”)

• Dimensão4:“Tecnologiaesupermercado”(produtos:“Tecnologia”e“Supermercado”)

AtravésTabela5,podemosaindaverificarqueovaloresdasmedidasdediscriminaçãodavariávelsexo,

dadimensão3nãoétãopróximodezero,oqueindiciaquepodemexistirdediferençasentreosprodutos

compradosonlineentregéneros.

NaTabela6apresenta-seaformacomoascategoriasdasváriasvariáveismaisrelevantesparacadauma

dasdimensõesseposicionamnosdoiseixosdasmesmas.


39

Tabela6:PosicionamentodasvariáveismaisrelevantesparaaACMdosprodutoscompradosonline

Quantificaçõesnegativas Quantificaçõespositivas

Generalistas

(Dimensão1)

BilhetesparaConcertos/Espétaculos_Não

Brinquedos_Não

Experiências/Vouchers_Não

Tecnologia_Não

ProdutosparaoLareDecoração_Não

Refeições_Não

Viagens_Não

Supermercado_Não

BilhetesparaConcertos/Espétaculos_Sim

Brinquedos_Sim

Experiências/Vouchers_Sim

Tecnologia_Sim

ProdutosparaoLareDecoração_Sim

Refeições_Sim

Viagens_Sim

Supermercado_Sim

Actividadesemoda

(Dimensão2)

AcessóriosPessoais(Relógios,Malas,

Perfumes...)_Sim

Experiências/Vouchers_Não

Roupa_Sim

Viagens_Não


Perfumes...)_Não

Experiências/Vouchers_Sim

Roupa_Não

Viagens_Sim

Lazeremoda

(Dimensão3)


Perfumes...)_Sim

Livros_Não

Filmes/Séries_Não

Roupa_Sim


Perfumes...)_Não

Livros_Sim

Filmes/Séries_Sim

Roupa_Não

Tecnologiae

supermercado

(Dimensão4)

Tecnologia_Não

Supermercado_Não

Tecnologia_Sim

Supermercado_Sim

Assim, verifica-sequeadimensãoGeneralista associaos indivíduosqueprocedemde igualmodoà

compra online de Bilhetes para Concertos/Espétaculos, Brinquedos, Acessórios Pessoais, Experiências /

Vouchers,Tecnologia,ProdutosparaoLareDecoração,Refeições,ViagenseSupermercado.

A dimensão de Actividades e moda caracteriza-se por associar os indivíduos que são opostos

relativamente a comprar online produtosmais relacionados com actividades (Experiências / Vouchers e

Viagens)aosindivíduosquecompramprodutosrelacionadosmodapessoal(AcessóriosPessoais(Relógios,

Malas,Perfumes...)eRoupa).


40

AdimensãodeLazeremodacaracteriza-seporassociarosindivíduosquesãoopostosrelativamentea

compraronlineprodutosmaisrelacionadoscommoda(AcessóriosPessoais(Relógios,Malas,Perfumes...)e

Roupa)aosindivíduosquecompramprodutosrelacionadoscomlazer(LivroseFilmes/Séries).

A dimensão de Tecnologia e supermercado caracteriza-se por associar os indivíduos que são

concordamrelativamenteacompraronlinetecnologiaeprodutosdesupermercado.

Gráfico11:CoordenadasdoscentroidesdaACMparaosprodutoscompradosOnline:Dimensão1vsDimensão2


N

SN

SN

SNS

N

N

SN

S

N

S

NS

N

SN

S

N

SN SN

SFem Masc

N S

N

SN SN

S

N

SN

SN

SN

S NS N

S N SN SNS

NSFem

MascBilhetes(para(Concertos/Espétaculos

Bilhetes(para(Concertos/EspétaculosAcessórios(Pessoais((Relógios

Acessórios(Pessoais((RelógiosAutomóvel(ou(outro(veículo(

motorizado Automóvel(ou(outro(veículo(motorizado

Brinquedos

Brinquedos

Livros

Experiências( /(Vouchers


Filmes/Séries

Filmes/Séries

Roupa

Roupa

TecnologiaTecnologia

N

Produtos(para(o(Lar(e(Decoração

NRefeições

Viagens

S

N SupermercadoN

Outros

SexoMasc

Bilhetes(para(Concertos/Espétaculos Acessórios(Pessoais((Relógios Automóvel(ou(outro(veículo(motorizado

Brinquedos Livros Experiências( /(Vouchers

Filmes/Séries Roupa Tecnologia

Produtos(para(o(Lar(e(Decoração Refeições Viagens

Supermercado Outros Sexo

Perfil1Perfil2

Perfil3Perfil4


41

Daanálisedosgráficoscomarepresentaçãodoespaçodosprodutos(Gráfico11-Gráfico13),tendoem

contaasvariáveisquemaisdiscriminamasrespectivasdimensões,parecemexistir5perfisde

compradores:

1) Indivíduosquecompramonlinequasetodootipodeprodutos;

2) Indivíduosquecompramonlineprodutosnãodiferenciados;

3) Indivíduosquecompramessencialmenteosprodutosassociadosàsactividades;

4) Indivíduosquecompramprodutosdaáreadamoda;

5) Indivíduosquecompramprodutosligadosàáreadatecnologiaeaudiovisualenãocompram

produtosassociadosàmoda.

NS NS N

S

N

S

NSN

SN SNS

N

SNS N

S

NSN

S

N

S

Fem

MascBilhetes(para(

Concertos/Espétaculos

Bilhetes(para(Concertos/EspétaculosAcessórios(Pessoais((Relógios

Acessórios(Pessoais((RelógiosAutomóvel(ou(outro(veículo(

motorizado Automóvel(ou(outro(veículo(motorizado

Brinquedos

Brinquedos

Livros



Filmes/Séries

Filmes/Séries

Roupa

Roupa

TecnologiaTecnologia

N

Produtos(para(o(Lar(e(Decoração

NRefeições

Viagens

S

N SupermercadoN

Outros

SexoMasc

Bilhetes(para(Concertos/Espétaculos Acessórios(Pessoais((Relógios Automóvel(ou(outro(veículo(motorizado

Brinquedos Livros Experiências( /(Vouchers

Filmes/Séries Roupa Tecnologia

Produtos(para(o(Lar(e(Decoração Refeições Viagens

Supermercado Outros Sexo


Perfil5


42

Destaca-seaindaqueacoordenadaassociadaaosexomasculinoestámaispróximadosperfis2e5,o

que indicaquepodemexistiralgumasdiferençasentreoshomenseasmulheresnoquedizrespeitoaos

produtoscompradosonline.

Posteriomente, realizou-se uma análise de clusters das coordenadas dos indivíduos nas dimensões

retidas de modo a identificar grupos que correspondessem aos perfis encontrados. Numa fase inicial

optou-sepelaanálisedeclustershierárquicaparavalidarseonúmerodegruposcorrespondiaaonúmero

deperfis,edeseguida,realizou-seumaanálisedeclustersnãohierárquicaqueoptimizaadistânciadecada

individuoaocentroide.

Gráfico14:Coeficientesdefusãodaanálisedeclustersassociadaaosprodutoscompradosonline–critériovizinhomaisafastado

Daanálisedográficodoscoeficientesdefusão,econsiderandoqueexistemexisteumamudançade

decliveno5ºagrupamento,conclui-sequeindicaçõesdadaspeloscomarepresentaçãodoespaçodos

produtosquetambémaquiháumaindicaçãoparaqueexistam5gruposdeindivíduos,cujasprincipais

característicassão(Tabela7):

• Ogrupo1(15%doscompradores)écompostopelosindivíduosquecompramquasetodootipo

de produtos e se dividem na compra dos brinquedos e dos filmes/séries. Este grupo é

maioritariamentecompostoporhomens;

• O grupo 2 (24% dos compradores) identifica o segmento dos compradores de produtos não

diferenciadosequesedividemnacompradeprodutosdemoda;

• Ogrupo3(22%doscompradores)refereumsegmentomaisconsumidordeatividades;

0

5

10

15

20

25

30

35

40

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Coeficientes4de4fu

são

Número4 de4grupos


43

• O grupo 4 (22% dos compradores) representa o segmento dos consumidores de produtos

ligadosàmoda;

• O grupo 5 (17% dos compradores) representa um segmento de compradores de tecnologia,

sendonasuageneralidadeconstituídoporhomens.

Tabela7:Caracterizaçãodos2gruposidentificados,relativamenteaosàsvantagensdacompraonlineidentificadaspelosinquiridos.

Categoria Grupo1 Grupo2 Grupo3 Grupo4 Grupo5 Total

BilhetesparaConcertos/Espétaculos

Não 4,5% 73,5% 22,2% 25,0% 28,0% 33,2%Sim 95,5% 26,5% 77,8% 75,0% 72,0% 66,8%

AcessóriosPessoais(Relógios

Não 29,5% 45,6% 61,9% 6,3% 76,0% 43,3%Sim 70,5% 54,4% 38,1% 93,8% 24,0% 56,7%

Automóvelououtroveículomotorizado

Não 84,1% 92,6% 92,1% 96,9% 100,0% 93,4%Sim 15,9% 7,4% 7,9% 3,1% 0,0% 6,6%

BrinquedosNão 47,7% 98,5% 93,7% 56,3% 64,0% 74,4%Sim 52,3% 1,5% 6,3% 43,8% 36,0% 25,6%

LivrosNão 4,5% 17,6% 68,3% 31,3% 12,0% 28,7%Sim 95,5% 82,4% 31,7% 68,8% 88,0% 71,3%

Experiências/VouchersNão 31,8% 97,1% 25,4% 42,2% 76,0% 55,7%Sim 68,2% 2,9% 74,6% 57,8% 24,0% 44,3%

Filmes/SériesNão 45,5% 86,8% 98,4% 85,9% 54,0% 77,2%Sim 54,5% 13,2% 1,6% 14,1% 46,0% 22,8%

RoupaNão 25,0% 44,1% 68,3% 9,4% 88,0% 46,4%Sim 75,0% 55,9% 31,7% 90,6% 12,0% 53,6%

TecnologiaNão 13,6% 72,1% 60,3% 9,4% 6,0% 35,3%Sim 86,4% 27,9% 39,7% 90,6% 94,0% 64,7%

ProdutosparaoLareDecoração

Não 38,6% 91,2% 88,9% 42,2% 78,0% 69,6%Sim 61,4% 8,8% 11,1% 57,8% 22,0% 30,4%

RefeiçõesNão 11,4% 89,7% 79,4% 85,9% 94,0% 75,4%Sim 88,6% 10,3% 20,6% 14,1% 6,0% 24,6%

ViagensNão 6,8% 85,3% 15,9% 51,6% 48,0% 44,3%Sim 93,2% 14,7% 84,1% 48,4% 52,0% 55,7%

SupermercadoNão 15,9% 85,3% 100,0% 93,8% 98,0% 82,0%Sim 84,1% 14,7% 0,0% 6,3% 2,0% 18,0%

OutrosNão 97,7% 85,3% 96,8% 98,4% 100,0% 95,2%Sim 2,3% 14,7% 3,2% 1,6% 0,0% 4,8%

SexoNão 25,0% 63,2% 65,1% 64,1% 20,0% 50,5%Sim 75,0% 36,8% 34,9% 35,9% 80,0% 49,5%

Total 15% 24% 22% 22% 17% 100,0%

Nota:Anegritoidentificaram-seasprincipaiscaracterísticasdosgrupo.


44

Análisediscriminante:

Começou-se por se introduzir as variáveis anteriormente discriminadas através do método Enter

(introduzindo todas as vantagens em simultâneo e retirando variáveis manualmente à posteriori),

utilizandoa variável “Sexo” comovariável de grupo,dadoque sepretendeobterquais osprodutosque

permitemdiferenciaroscompradoresporsexo.

Tabela8:ModelodeAnáliseDiscriminanteinicialmenteobtidoparaosprodutoscompradosOnline,usandocomovariáveldegrupoo“Sexo”

Wilks'Lambda F df1 df2 Sig.

BilhetesparaConcertos/Espétaculos .966 10.023 1 287 .002AcessóriosPessoais(Relógios,Malas,Perfumes...) .966 10.021 1 287 .002Automóvelououtroveículomotorizado .955 13.532 1 287 .000Brinquedos .967 9.667 1 287 .002Livros .998 .634 1 287 .427Experiências/Vouchers 1.000 .099 1 287 .753Filmes/Séries .971 8.594 1 287 .004Roupa .974 7.766 1 287 .006Tecnologia .842 53.965 1 287 .000ProdutosparaoLareDecoração .999 .155 1 287 .694Refeições .988 3.543 1 287 .061Viagens .996 1.051 1 287 .306Supermercado .991 2.611 1 287 .107Outros .999 .344 1 287 .558


45

Tabela9:MatrizdeestruturadaAnáliseDiscriminanteinicialmenteobtidoparaosprodutoscompradosOnline,usandocomovariáveldegrupoo“Sexo”

Function

1

Tecnologia .631Automóvelououtroveículomotorizado .316BilhetesparaConcertos/Espétaculos .272AcessóriosPessoais(Relógios,Malas,Perfumes...) -.272Brinquedos .267Filmes/Séries .252Roupa -.239Refeições .162Supermercado .139Viagens .088Livros .068Outros .050ProdutosparaoLareDecoração -.034Experiências/Vouchers -.027

Umavezqueaamostrafoirecolhidacombasenumprocessodeamostragemnãoprobabilístico,oque

impossibilitacalcularaprecisãodasestimativasobtidasapartirdaamostra,optou-seporvalorizarovalor

absolutovaloresdamatrizdeestrutura(>0,200)aoinvésdométodotradicionalparaescolhadasvariáveis

aentrarparaomodelo(p-valueassociadoaoLambdadeWilks).Oscoeficientesdamatrizdeestruturanão

variamcomaintroduçãoouremoçãodeoutrasvariáveis,peloqueforamremovidasemsimultaneotodas

as variáveis cujo valor absolutedamatriz de estrutura fosse inferior a 0.200.Ainda assim, os resultados

obtidos com estemétodo seriam osmesmos do que utilizando ométodo do p-value para um nivel de

significânciade95%.Utilizandoesteraciocíno,foramexcluídososprodutos livros,experiências/vouchers,

produtosparaolaredecoração,refeições,viagens,supermercadoeoutros(Tabela10): Tabela10:ModelofinaldeAnáliseDiscriminanteobtidoparaosprodutoscompradosOnline,usandocomo

Variáveldegrupo“Sexo”


BilhetesparaConcertos/Espétaculos .966 10.023 1 287 .002AcessóriosPessoais(Relógios,Malas,Perfumes...) .966 10.021 1 287 .002Automóvelououtroveículomotorizado .955 13.532 1 287 .000Brinquedos .967 9.667 1 287 .002Filmes/Séries .971 8.594 1 287 .004Roupa .974 7.766 1 287 .005Tecnologia .842 53.965 1 287 .000


46

OvalordaestatísticaLambdadeWilksparaavariáveltecnologiapareceintuirapossivelexistênciade

diferenças entre os dois grupos. De modo a confirmar esta indicação obtiveram-se os valores dos

coeficientesdafunçãodeFisherassociadosaosprodutoscompradosonline(Tabela11):

Tabela11:CoeficientesdosprodutoscompradosonlinenafunçãodeFisherporsexo

Sexo

Feminino Masculino

BilhetesparaConcertos/Espétaculos 5,426 6,110AcessóriosPessoais(Relógios,Malas,Perfumes...) 3,146 1,992

Automóvelououtroveículomotorizado 16,844 18,966Brinquedos 1,572 1,960Filmes/Séries 4,731 5,288Roupa 3,659 2,953Tecnologia 4,934 7,037(Constant) -26,351 -31,501

DestemodoasfunçõesdeFisherresultantesdaanálisediscriminantesãodaforma:

û¡¬§ h = 5,426. √óƒℎ∞∆∞« + 3,146. ¨¶∞««»≠ó»«_ù∞««»¨ó« + 16,844. ¨ ∆» − 1,572. √≠órï ∞ô»«

+ 4,731. Àóƒñ∞« + 3.559. ≠» ù¨ + 4,934. ∆∞¶r»ƒ»πó¨ − 26,351

ûÃÄÅÇ h = 6,110. √óƒℎ∞∆∞« + 1,992. ¨¶∞««»≠ó»«_ù∞««»¨ó« + 18,966. ¨ ∆» − 1,960. √≠órï ∞ô»«

+ 5,288. Àóƒñ∞« + 2.953. ≠» ù¨ + 7,037. ∆∞¶r»ƒ»πó¨ − 31,501

Assim,econsiderandoasdiferençasentreoscoeficientesdecadaumadas funçõesdeFisher,parece

existir alguma diferença entre os produtos comprados online por homens e por mulheres. Os homens

comprammaistecnologiadoqueasmulheres,eestasporsuavezadquiremmaisacessóriospessoaisdo

queoshomens.

Atravésdomodeloapresentado,podemosaindacalcularapercentagemdeindivíduosbemclassificados

emcadaumdosgrupos(homemoumulher),sendoque,comoépossívelverificar,76,0%dasmulheressão

bemclassificadas,assimcomo76,2%doshomens.


47

Tabela12:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaosprodutoscompradosonline

Sexo

PredictedGroupMembership

Total Feminino MasculinoOriginal % Feminino 76,0 24,0 100,0

Masculino 23,8 76,2 100,0

a.76,1%dasobservaçõesiniciaisforamcorretamenteclassificadas.

Regressãologística:

Demodo a determinar a função logit começou-se por construir ummodelo considerando a variável

“Sexo”comovariáveldependente(0–mulher;1–homem)easrestantesvariáveiscomoindependentes,

tendo-seobtidoosresultadosapresentadosnaTabela13.

Tabela13:ModeloinicialdeRegressãoLogísticaobtidoparaosexoemfunçãodosprodutoscompradosonline

B S.E.Õ. Œ.∑

Exp(B)

BilhetesparaConcertos/Espétaculos 1,080 ,363 ,336 2,945AcessóriosPessoais(Relógios,Malas,Perfumes...) -1,152 ,332 ,288 ,316Automóvelououtroveículomotorizado 2,807 ,896 ,319 16,564Brinquedos ,464 ,367 ,791 1,591Livros -,137 ,311 ,27 ,872Experiências/Vouchers -,605 ,360 ,595 ,546Filmes/Séries ,597 ,372 ,623 1,817Roupa -,610 ,310 ,508 ,543Tecnologia 2,287 ,342 ,15 9,841ProdutosparaoLareDecoração -,693 ,370 ,534 ,500Refeições ,509 ,401 ,788 1,664Viagens -,254 ,359 ,413 ,776Supermercado ,401 ,437 ,9 1,493Outros ,894 ,683 ,764 2,446Constant -1,195 ,199 ,167 ,303

Pelosmotivosapresentadosanteriormente(amostrarecolhidacomprocessodeamostragemnão

probabilístico),optou-seporvalorizarovalorabsolutodoscoeficienteseorespectivodesvio-padrão( œ.–.±)

aoinvésdométodotradicionalparaescolhadasvariáveisaentrarparaomodelo(p-valueassociadoà

estatísticadeWald)–Ratner,2010.Nesteprocedimentonãoforamtestadasasinteraçõesentreas

variáveis.Utilizandoesteraciocínio,chegou-seaomodeloapresentadonaTabela14,doqualépossível

retirarasseguintesconclusões:


48

• Umindivíduoquecomprebilhetesparaconcertos/espectáculostemaproximadamente2vezes

maispossibilidadesdeserdosexomasculinodoquedosexofeminino;

• Umindivíduoquecompreacessóriospessoais(Relógios,Malas,Perfumes...)temcercade4

vezesmaispossibilidadesdeserdosexofemininodoquedosexomasculino;

• Umindivíduoquecompreumautomóvelououtroveículomotorizadotemaproximadamente

14vezesmaispossibilidadesdeserdosexomasculinodoquedosexofeminino;

• Umindivíduoquecompreumprodutodetecnologiatemcercade8vezesmaispossibilidades

deserdosexomasculinodoquedosexofeminino.

Tabela14:ModelodeRegressãoLogísticaobtidoparaosexoemfunçãodosprodutoscompradosonline

B S.E.Õ. Œ.∑

Exp(B)

Bilhetespara

Concertos/Espetacúlos.740 .275 .372 2.096

Acessórios

pessoais(Relógios,

Malas,Perfumes...)

-1.357 .299 .22 .257

Automóvelououtro

veículomotorizado2.669 .825 .309 14.432

Tecnologia 2.070 .297 .143 7.924

Constant -1.250 .186 .149 .286

Paraestudarqualidadedoajustamentooptou-seporutilizarosvaloresdasensibilidadeeespecificidade

(Tabela15).Assim,aoutilizarmosumpontodecortede0,50obtemosummodelocomsensibilidadeiguala

72,7%eumaespecificidadeiguala1,1%,istoé,sãoidentificadoscorretamente72,7%doshomense80,8%

dasmulheres.Nogeralomodeloidentificacorretamente60,8%dosinquiridosoquerepresentaumaboa

qualidade de ajustamento. Podemos ainda verificar que omodelo encontrado temumaboa capacidade

discriminativa(AUC=0,827).

Tabela15:Valoresprevistospelomodeloderegressãologísticaparaosexoemfunçãodosprodutoscompradosonline,usandoopontodecorte0,50

Observed

Predicted

Sexo PercentageCorrectFeminino Masculino

Sexo Feminino 118 28 8,.8

Masculino 39 104 72,7

OverallPercentage 76,8


49

Gráfico15:CurvaROCassociadaaomodeloderegressãologísticaparaosexoemfunçãodosprodutoscompradosonline

Atravésdosvalores∑apresentadosnaTabela8,podemosconstruirafunçãologísticaassociadaaomodeloobtido:

ƒ»πó∆ Ø h = ∑s + ∑t. √óƒℎ∞∆∞« − ∑á. ¨¶∞««»≠ó»«_ù∞««»¨ó« + ∑ö. ¨ ∆» − ∑—. ∆∞¶r»ƒ»πó¨

= 0,740. √óƒℎ∞∆∞« − 1,357. ¨¶∞««»≠ó»«_ù∞««»¨ó« + 2,669. ¨ ∆» − 2,070. ∆∞¶r»ƒ»πó¨ − 1,250

Comparaçãodosresultadosobtidos

Umdosobjetivosdestetrabalhoéestudaracoerênciaentreasvariáveiseconclusõesretiradasatravés

daAnálisedeCorrespondênciasMúltiplas,dafunçãodeFisherresultantedaAnáliseDiscriminanteeda

RegressãoLogísticaquandosujeitasaomesmoproblema.Nestesentido,erelativamenteaosprodutos

compradosonlineporambosossexos,podemosconcluirquequeratravésAnálisedeCorrespôndencias

Multiplas(ACM)queratravésdaFunçãodeFisherresultantedaAnáliseDiscriminante(AD)conclui-seque

poderãoexistirdiferençasentregénerosnoquedizrespeitoaosprodutoscompradosonline.


50

Paralelamente,conclui-seaindaquenoquedizrespeitoàsvariáveisidentificadascomorelevantesna

AnáliseDiscriminante(AD)enaRegressãoLogistica(RL),registou-sequetodasasvariáveisselecionadas

paraomodelodeRLtambémforamselecionadasparaaanálisediscriminante.

Tabela16:TabelaresumodosmétodosutilizadosnaanálisedosprodutoscompradosOnline

Homensvs.Mulheres

Existemindíciosdediferençasentreosgrupos?

Variáveisdiferenciadoras

AnálisedeCorrespondências

MúltiplasSim

• Tecnologia

• BilhetesparaConcertos/Espetáculos

• Acessóriospessoais(Relógios,Malas,Perfumes...)

• Experiências/Vouchers

• Livros

• ProdutosparaoLareDecoração

• Viagens

• Supermercado

AnáliseDiscriminante->

FunçãodeFisherSim

• Tecnologia


RegressãoLogística Sim

• Automóvelououtroveículomotorizado

• Tecnologia


• BilhetesparaConcertos/Espetáculos


51

Interessoutambémanalisaroshábitosdeadesãoaserviçosonlineentrecadaumdosgéneros,sendo

que à primeira vista sai que os homens aderemmais a serviços que as mulheres (74% dos homens já

aderiramapelomenosumserviçocontra64%dasmulheres),essencialmentenoquedizrespeitoaserviços

detelecomunicaçõeseaserviçosdegás,àguaouelectricidade,conformeépossívelconstatarnoGráfico

16.Note-sequeavariável“Nenhum,masconheçoestapossibilidade”nãofoiescolhidapornenhumdos

participantesnoestudo.

Gráfico16:Serviçosaderidospelasmulheresepeloshomens

Seguindoprocedimentoanálogoaorealizadoparaosprodutos,estudou-seavariávelsexoeavariável

“Aqueserviçosjáaderiuonline?”,porviaaestudaravalidadedahipótese3:“Existemdiferençasentreos

serviçosquehomensemulheresaderemonline”.


A ACM valida uma solução com duas dimensões para representar as interações existentes entre as

variáveis, as suas categorias e as respostas dos inquiridos (Gráfico 17). A percentagem de variância

explicadapelasduasdimensõesretidaséde52,3%.

0%20%40%60%80%100%

Nenhum,mas1conheço1esta1possibilidade

Nenhum,1desconheço1esta1possibilidade

Mudança1de1casa

Entrega1 de1compras1em1casa1ou1Refeições1ao1Domicilio

Gás,1Água1ou1Electricidade

Telecomunicações

Sexo1Feminino

0% 20% 40% 60% 80%

Sexo1Masculino


52

Gráfico17:Representaçãodavariânciadasdimensõesassociadasaosserviçosaderidosonline

Tabela17:MedidasdediscriminaçãoassociadasàACMdosserviçosaderidosonline

Dimension

Mean 1 2

Telecomunicações .539 .040 .289

Entrega de compras em casa ou Refeições ao Domicilio .256 .184 .220

Gás, Àgua ou Electricidade .483 .099 .291

Mudança de casa .240 .390 .315

Nenhum, desconheço esta possibilidade .083 .298 .191

Sexo .039 .002 .021

Active Total 1.602 1.012 1.307

% of Variance 32.036 20.240 26.138

Combasenosvaloresdasmedidasdediscriminiçãoeconsiderandoasvariáveisquemaiscontribuemdimensões,passaremosadenominarcadaumadasdimensõesanterioresdoseguintemodo:

• Dimensão1:“Serviçosdomésticos”(variáveis“Telecomunicações”,“Gás,ÀguaouElectricidade”e

“EntregadecomprasemcasaouRefeiçõesaodomicilio”e“Mudançadecasa”)

• Dimensão2:“Desconhecimento”(variável“Nenhum,desconheçoestapossibilidade”)

AtravésdaTabela17,podemosaindaverificarqueosvaloresdasmedidasdediscriminaçãodavariável

sexo sãopróximosde zeroparaambasasdimensões,oque indicia anãoexistênciadediferençasentre

génerosnoqueserefereàadesãoonlineaosserviços.

0 0.5 1 1.5 2

1

2

3

4

5


53

Tabela18:PosicionamentodasvariáveismaisrelevantesparaaACMdosserviçosaderidosonline


Serviçosdomésticos

(Dimensão1)

Telecomunicações_Sim

Gás,ÀguaouElectricidade_Sim

EntregadecomprasemcasaouRefeiçõesao

domicilio_Sim

Mudançadecasa_Sim

Telecomunicações_Não

Gás,ÀguaouElectricidade_Não


domicilio_Não

Mudançadecasa_Não

Desconhecimento

(Dimensão3)

Nenhum,desconheçoestapossibilidade_Não

Nenhum,desconheçoestapossibilidade_Sim

Com base na Tabela 18, verifica-se que a dimensão Serviços Domésticos contempla todos os

indivíduos que concordam relativamente à adesãoonlinea serviços de Telecomunicações,Gás, Àgua ou

ElectricidadeeEntregadecomprasemcasaouRefeiçõesaodomicílioeMudançadecasa.Jáadimensão

Desconhecimento caracteriza-se pelos indivíduos que concordam não conhecer este tipo de adesão a

serviços.


54

Gráfico18:Representaçãodoespaçodosserviçosaderidosonline-Dimensão1vsDimensão2

DaanálisedoGráfico18épossívelidentificar2perfis,,tendoemcontaasvariáveisquemais

discriminamasrespectivasdimensões,distintosdecompradores:

1. Indivíduosqueaderemonlineaosserviçosmencionados;

2. Indivíduosquenãoaderemonlineaserviços;

Destaca-se aindaque as coordenadas dos centroides para os dois géneros, se encontram bastante

próximasentresi (edaorigem),oque,maisumavez indica,anãoexistênciadediferençasentreosdois

gruposnoquedizrespeitoaosserviçosaderidosonline.

Demodoavalidara indicaçãodadapelográfico, realizou-seumaanálisedeclustershierárquicados

scoresdosindivíduospelomodeloobtidodemodoadeterminaronúmerodegrupospresentes.

S N

SN

SNN NS

TelecomunicaçõesEntrega2de2compras2em2casa2ou2Refeições2ao2

Domicilio_N

Entrega2de2compras2em2casa2ou2Refeições2ao2

Domicilio

N

Gás,2Àgua2ou2ElectricidadeMudança2de2casa_N

Mudança2de2casa

Nenhum,2desconheço2esta2possibilidade_NA0.045Sexo

Telecomunicações Entrega2de2compras2em2casa2ou2Refeições2ao2Domicilio

Gás,2Àgua2ou2Electricidade Mudança2de2casa

Nenhum,2desconheço2esta2possibilidade Sexo


55

Gráfico19:CoeficientesdefusãodaanálisedeClustersassociadaaosserviçosaderidosonline

A análise de clusters hierárquica sugere com3 grupos (Gráfico 19). Combase no agrupamento não

hierárquicoK-means,osgruposidentificadoscaracterizam-sepor(Tabela19):

• Ogrupo1(95%doscompradoresonline)englobaosindivíduosqueaderemonlineaosserviços

relacionadoscomasdepesasmensaisdahabitação.

• Jáo2ºgrupo(1%doscompradoresonline)distingue-sepornãoaderironlineaqualquertipode

serviçosenemconhecemessapossibilidade.

• O3ºgruporepresentaindivíduosquenãosedestacamnaadesãoaserviços(perfilmédio).

Tabela19:Caracterizaçãodosgruposidentificados,relativamenteaosaosserviçosaderidosonline

Categoria Grupo1 Grupo2 Grupo3 Total

TelecomunicaçõesNão 0.0% 100.0% 52.4% 50.9%Sim 100.0% 0.0% 47.6% 49.1%


Domicilio

Não 27.3% 100.0% 71.6% 70.2%

Sim 72.7% 0.0% 28.4% 29.8%Gás,ÀguaouElectricidade

Não 45.5% 100.0% 61.8% 61.6%Sim 54.5% 0.0% 38.2% 38.4%

MudançadecasaNão 0.0% 100.0% 100.0% 96.2%

Sim 100.0% 0.0% 0.0% 3.8%Nenhum,desconheçoestapossibilidade

Não 100.0% 0.0% 100.0% 99.0%Sim 0.0% 100.0% 0.0% 1.0%

SexoFeminino 27.3% 66.7% 51.3% 50.5%Masculino 72.7% 33.3% 48.7% 49.5%

a a a a a

Total a 95% 1% 4% 100%

0

10

20

30

40

50

60

1 2 3 4 5 6 7 8


56



Deentreasvariáveisselecionadascombasenovalorabsolutovaloresdamatrizdeestrutura,verifica-se

pelaestatísticaLambdadeWilksqueamudançadecasanãopareceserumserviçodiferenciadorentreos

géneros,noqueserefereàadesãodeserviçosonline(Tabela19).

Tabela20:ModelofinaldeAnáliseDiscriminanteobtidoparaosserviçosaderidosonline,usandocomo

variáveldegrupo“Sexo”


Telecomunicações .953 14.300 1 287 .000Gás,ÀguaouElectricidade

.979 6.024 1 287 .015

Mudançadecasa .991 2.476 1 287 .117

Tabela21:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteosserviçosaderidosOnline,

usandocomovariáveldegrupo“Sexo

Sexo

Feminino Masculino

Telecomunicações 2.362 3.119Gás,ÀguaouElectricidade

4.225 4.537

Mudançadecasa 26.214 26.776(Constant) -18.482 -20.627

CombasenaTabela21,asfunçõesdeFisherresultantesdaanálisediscriminantesãodaforma:

û¡¬§ h = 2,362. ∆∞ƒ∞¶»ñ ró¶¨çõ∞« + 4,225. π¨«_¨π ¨_∞ƒ∞¶∆≠ó¶óô¨ô∞ + 26,214.ñ ô¨r¶¨_¶¨«¨ − 18,482

ûÃÄÅÇ h = 3,119. ∆∞ƒ∞¶»ñ ró¶¨çõ∞« + 4,537. π¨«_¨π ¨_∞ƒ∞¶∆≠ó¶óô¨ô∞ + 26,776.ñ ô¨r¶¨_¶¨«¨ − 20,627


57

AssimeconsiderandoaspequenasdiferençasentreoscoeficientesdecadaumadasfunçõesdeFisher,

não existem indicios da existência diferenças relevantes entre homens emulheres por serviços aderidos

onlinepor.

Combasenomodeloapresentado,épossívelverificarque61,6%dasmulheressãobemclassificadas,

assimcomo69,1%doshomens,ouseja,60,9%detodososindivíduosforamclassificadoscorrectamente.

Tabela22:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodelo

obtidoparaosserviçosaderidosonline

Sexo


TotalFeminino Masculino % Feminino 61.6 38.4 100.0

Masculino 39.9 60.1 100.0

a.60.9%dasobservaçõesiniciaisforamcorretamenteclassificadas.


De modo a determinar a função logit começou-se por construir um modelo de regressão logistica

considerando a variável “Sexo” como variável dependente e os vários serviços disponibilizados como

variáveis independentes. Foram introduzidos todos os serviços em simultâneo e foi feita uma seleção

manual das variáveisutilizando o índice œ.–.±

, sendo que quantomenores forem os valores deste rácio,

melhor seráa contribuiçãoda variávelparaomodelo.Utilizandoesteraciocínio,chegou-seaoseguintemodelo

apresentadonaTabela23,doqualépossívelverificarqueaderira serviçosde telecomunicaçõesoudegás,

àguaeelectricidadeéumfactorpotenciadorparaserdosexomasculino.

Tabela23:ModelodeRegressãoLogísticafinalobtidoparaosexoemfunçãodosserviçosaderidosonline

B S.E.Õ. Œ.∑

Exp(B)

Telecomunicações .778 .258 .332 2.176

Gás,agua,electricidade

.306 .266.869

1.358

Constant -1.604 .445 .277 .201

Aoutilizarmosumpontodecortede0,50obtemosummodelocomsensibilidadeiguala60,1%euma

especificidadeiguala61,6%,istoé,sãoidentificadoscorretamente60,1%doshomense60,6%das

mulheres,concluindo-sequeomodeloseajustacorretamente60,9%dosinquiridosoquerepresentauma


58

boaqualidadedeajustamento.Omodeloencontradotemaindaumafracacapacidadediscriminativa(AUC

=0,624).

Tabela24:Valoresprevistospelomodeloderegressãologísticaparaosexoemfunçãodosserviços

aderidosonline,usandoopontodecorte0,50

Observed

Predicted


Sexo Feminino 90 56 61.6

Masculino 57 86 60.1

OverallPercentage 60.9

a.Pontodecorte=.500

Gráfico20:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaosserviçosaderidosOnline,usandocomovariávelsuplementar“Sexo”

Atrávésdosvalores∑,podemosconstruirafunçãologisticaassociadaaomodeloobtido:

ƒ»πó∆ Ø h = ∑s + ∑t. ∆∞ƒ∞¶»ñ + ∑á. π¨«_¨π ¨_∞ƒ∞¶∆≠ó¶óô¨ô∞

= 0,778. ∆∞ƒ∞¶»ñ ró¶¨çõ∞« + 0,306. π¨«_¨π ¨_∞ƒ∞¶∆≠ó¶óô¨ô∞ − 1,604


59

Comparaçãodosresultadosobtidos

Relativamenteaosserviçosaderidosonlineporambosossexos,foipossívelconcluir-sequeatravésda

ACMedaADquenãoexistemdiferençasentreosgéneros,porém,foramencontradasdiferençasentreos

gruposatravésdaRegressãoLogística.

DenotaraindaquetodasasvariáveisescolhidasparaomodelodeRegressãoLogísticatambémforam

selecionadasparaaAnáliseDiscriminante.

Tabela25:TabelaresumodosmétodosutilizadosnaanálisedosserviçosaderidosOnline

Homensvs.Mulheres

Existemindíciosdediferençasentreosgrupos?

Variáveisdiferenciadoras

AnálisedeCorrespondências

MúltiplasNão


FunçãodeFisherNão

RegressãoLogística Sim Telecomunicações

Outradasquestõescolocadasaosinquiridosfoiacercadeparaqueméqueosutilizadoresfazem

comprasonline,separasi,separaoutros,sendoqueosresultadosforambastantesimilaresentrehomens

emulheres(Tabela26).

Tabela26:HábitosdecompraOnline-paraopróprioouparaoutros

Fazcomprasonline... %Homens %Mulheres Total

Parasi 1,4% 2,1% 1,7%

Paraoferecer 37,8% 36,9% 37,4%

Parasieparaoferecer 60,8% 61,0% 60,9%


60

Noquedizrespeitoàfrequênciadecomprasonline,apenas12,1%dosinquiridosquecompramonline

refere fazer compras esporádicas (1 a 2 vezes por ano), sendo esta percentagem superior nasmulheres

(15,8%),faceaoshomens(8,4%).Pertode30%dosinquiridosindicaquefazmaisde10comprasonlinepor

ano.

Tabela27:Frequênciadascomprasonlineporsexo

Fazcomprasonline... %Homens %Mulheres Total

1a2vezes 8,4% 15,8% 12,1%

3a5vezes 25,9% 32,2% 29,1%

5a10vezes 29,4% 28,8% 29,1%

Maisde10vezes 36,4% 23,3% 29,8%

Cercade80%dosinquiridoscompradoresonlinemostraram-seindiferentesaodiadasemanaemque

realizamatransação.Maisdemetade(57,1%)dosinquiridoscompradoresdizemquenãotêmumperíodo

do dia em que émais usual realizarem as compras. Já os restantes,mostram preferência pela noite ou

madrugada (71,31%) sendo que o período do diamenos predileto para comprar online coincide com o

períododamanhã,ondeapenas4,15%dosinquiridosfazcomprasnesseperíodo.

Gráfico21:Períodododiapredilectoparacompraronline

Através das respostas dos indivíduos que responderam afirmativamente sobre o facto de comprar

online, fica ainda a ideia de que as compras feitas naweb, serão na suamaioria compras programadas,

sendoqueapenas14,2%dosindivíduosdissefazercomprasexclusivamenteporimpulso.Aindaassim29%

dosindivíduosquefazemcomprasprogramadas,admitemjáteremfeitocomprasporimpulso.

0%

10%

20%

30%

40%

50%

60%

Manhã(08:00-13:00)

Tarde (13:00-19:00)

Noite(19:00-00:00)

Madrugada(00:00-08:00)

Éindiferente


61

Como se pode verificar pela Tabela 28, entre os inquiridos compradores online, a percentagem de

mulheresquecompraporimpulsoésemelhanteàdoshomens(62,3%vs.59,4%).Atravésdocoeficientede

correlação de Phi (0,03), verifica-se que é quase inexistente a associação entre o sexo e o comprar por

impulso,peloquenãoexistemdiferençasentregéneros.Demodo,nesteconjuntodedadosnãoseverifica

ahipótese4“Asinquiridasdosexofemininotêmmaiortendênciaacomprarporimpulsorelativamenteaos

homens”.

Noqueconcerneaosmeiosdepublicidadeonline,nosquaisosutilizadorestemmaiorconsciênciade

terem sido influenciados comercialmente para fazerem compras, o emailing assume o protagonismo

seguidodapublicidadenoFacebook(Gráfico22).

Gráfico22:Meiosdepublicidadeonlinequejámotivaramcompra

0

50

100

150

200Anúncios,no,Google,/,Sapo

Banners

Publicidade,no,Facebook

Emails,publicitários

SMS

Não,sei

Tabela28:Programaçãopréviadascomprasporsexo

Sexo

TotalFeminino Masculino

ComprasprogramadasNão 91 85 176

Sim 55 58 113Total 146 143 289


62

4.4) NãoCompradoresonline

Sendoeste,umestudosobreoshábitosdeconsumodee-commerce,oprincipalgrupodeestudofoi,

naturalmente,oscompradoresonline.Aindaassim,tentou-seperceberjuntosdosnãocompradoresonline

(28%dosinquiridos)quaisasrazõespelasquaisestesnãofazemcomprasatravésdainternet.Asprincipais

razõesapontadas,conformeépossívelverificarnoGráfico23,passampelapreferênciaporexperimentaro

produtoaovivo (41,7%)eo receiodoprodutosercobradoenãoserentregue (23,4%).Verificou-seque

menos de 2% dos inquiridos tem receio que seja enviado o produto errado e que 2,9% não sabe como

compraronline.

Gráfico23:Motivospelosquaisosinquiridosnãocompramonline

Os restantes apontam razões como receio de extravio, produto ser entregue danificado, não querer

esperarpelaentregadoproduto,dificuldadesparaestaremcasaparareceberoprodutoeoutrasrazões.

1.7%

2.3%

2.9%

3.4%

7.4%

7.4%

9.7%

23.4%

41.7%

0% 10% 20% 30% 40% 50%

Receio0que0seja0enviado0do0produto0errado

outros

Porque0não0sabe0como0comprar0online

Não0quer0esperar0pela0entrega0do0produto

Receio0do0produto0 ser0entregue0danificado

Receio0do0produto0 poder0ser0estraviado

Não0estar0em0casa0para0receber0o0produto

Receio0do0produto0 ser0cobrado0e0não0 receber0o0produto

Prefere0experimentar0o0produto0 ao0vivo


63

4.5) Segurançanascomprasonline

Umdostemasquesurgeinevitavelmentequandofalamosdecomércioeletrónicoestárelacionadocom

a segurança das transações online. Questões associadas à inserção de dados pessoais sensíveis, a

possibilidadeseralvodeataquesinformáticos(phishing)e,ovalordacompraserelevadopodemcontribuir

para algum receio no momento da transação. Porém, um maior número de escolhas de meios de

pagamentodisponíveis,anotoriedadee/ouaqualidadedositedovendedorpodemservircomoelementos

securizantesquedãosegurançaduranteacompra.

Esteéentãoumtemamuitorelacionadocomaperceçãodecadautilizadoreestádiretamenteligado

comassuasexperiênciaspessoaisoudepessoaspróximas.

Nesteestudo,foipedidoaos inquiridospara indicaremoquãoseguroconsideramsercompraronline,

respondendoestesnumaescalaordinal,naqual1representava“Nadaseguro”e10“Totalmenteseguro”.

MPelomenosmetade dos inquiridosrespondentes, afirmaram que consideravam estemodo de compra

seguro (mediana = 7). Os indivíduos do sexo masculino mostraram-se mais confiantes relativamente à

segurançadastransações(ñ∞ôó¨r¨§ = 10)faceaosindivíduosdosexofeminino(ñ∞ôó¨r¨“ = 9).

Gráfico24:Distribuiçãodograudesegurançanascomprasonlineporsexo

Osinquiridosentreosjovenseosindivíduosadultosforamosqueindicaramsentirmaiorsegurançanas

comprasonline(mediana= 9,0).

0%

10%

20%

30%

40%

50%

60%

1 2 3 4 5 6 7 8 9 10

Feminino Masculino


64

Gráfico25:Percentisdograudesegurançanascomprasonline,poridadecategorizada

Jovens-adultos Adultos

Adultos

madurosSeniores

Mediana 9 9 8 8,5

Q1 8 8 7 8

Q3 10 10 9 9

Pretendeu-seaindaestudaroquãoaperceçãodasegurançanascomprasonlinevariadeacordocomo

níveldehabilitaçõesacadémicas.Emfunçãodaexistênciadepoucosregistosnascategoriasextremas(5º

ao9ºanoeDoutoramento),realizou-seumagrupamentodosdadosdoseguintemodo:asvariáveis“5ºao

9ºano”e“10ºao12ºano”foramaglutinadasnumasó(novadenominação:“EnsinosecundárioeInferior”

e a variável “Mestrado” foi aglomerada à variável “Doutoramento” (variável “Mestrado ou superior”),

Destemodo, ficaapercepçãodequequantomaior forograuacadémicomaiorasegurançasentidaem

comprar online (Gráfico 26). Analisando apenas a estatística descritiva associada a esta questão, existe

indíciosdeumatendêncialinearcrescentedograudesegurançanascomprasonlineemfunçãodograude

instrução.

Gráfico26:Caixadebigodes“GraudeInstrução”vs.“Quãoseguroconsiderasercompraronline?”


65

No seguimentodo resultadoanterior, surgiuumresultado semelhante:quantomaisaltoéonívelde

literaciapersentidonousoda internet,maisaltoserátambémoníveldeperceçãosobreasegurançanas

comprasonline.

Gráfico27:CaixadebigodesdoGraudesegurançanascomprasonlineemfunçãodaauto-percepçãodeliteracianousodainternet

Paraosinquiridos,osfatoresmaisimportantesparaaperceçãodesegurançanacompraonlinesãoao

tipodeproduto,nenhumeositedoretalhista(Gráfico28).Gráfico28:Fatoresdemaiorsegurançanascomprasonline

0% 10% 20% 30% 40% 50%

A)empresa/marca)do)produto

Os)meios) de)pagamento)dísponiveis

Outros

O)site

Nenhum

O)tipo)de)produto


66

4.6) Preferências

Nesta secção serão abordadas as preferências associadas às compras online dos inquiridos

(independentementedejáteremcompradoonlineounão)focandoasprincipaisvantagensedesvantagens

queveemnascomprasonlineepercebercomoéestesachamquesepoderáestimularmaisocomércio

eletrónico.Semprequeforrelevanteserãoestudadasasdiferençasentrecompradoresenãocompradores

easdiferençasdegénero.

Pela análise do Gráfico 29, a generalidade dos utilizadores indicou que as principais vantagens ao

compraronline,seprendiamcomquestõesdecomodidade,comosejamopoderfazê-loaqualquerhora,

em qualquer lugar e não se ter de deslocar a uma loja física (72%), e ainda existirem vantagens e

promoçõesexclusivas(43%).Denotaraindaqueosindivíduosdosexomasculinovalorizambastantemaisa

possibilidade ler comentários deixados por clientes anteriores sobre um produto/serviço do que as

mulheres(26,19%contra12,07%).

4.6.1) VantagensdacompraOnline

Gráfico29:Vantagensassociadasàscomprasonlineidentificadasporhomensemulheres

0%

20%

40%

60%

Poder+fazê0lo+em+qualquer+hora/local

Ter+vantagens/promoções+exclusivas

Não+ter+de+me+deslocar+a+uma+loja

Poder+ver+e+analisar+comentários+deixados+por+clientes+anteriores

Existência+de+um+maior+stock+de+produtos

Variedade+de+escolha

Não+ser+influenciado+por+um+vendedor

Possibilidade+de+fazer+pré0reservas

Ter+acesso+às+novidades

Outros

Nenhuma

Não+sei

Masculino Feminino


67

Gráfico30:Vantagensassociadasàscomprasonlineidentificadasporcompradoresenãocompradores

Demodoaavaliarasdiferençasentreasvantagensidentificadasentrecompradoresenãocompradores

eentregéneros,dopontodevistamultivariado,serãousadososmétodos:aAnálisedeCorrespondências

Múltiplas,aanálisedafunçãodeFisherassociadaàAnáliseDiscriminanteeaRegressãoLogística.Porém,

uma vez que existem variáveis com um número reduzido de observações, optou-se por se efetuar

previamente uma Análise de Clusters, com carácter exploratório, de modo a identificar eventuais

associaçõesentreasvariáveisporviaaagruparasvariáveiscompoucasobservações.

Numa primeira fase traçou-se uma Análise de Clusters para a globalidade dos dados, usando vários

métodosde classificaçãohierárquica: centroide, vizinhomais afastadoeWard,usando comomedidade

associaçãoocoeficientePhi,tendo-seobtidoosdendogramas(Gráfico31aGráfico33).

0%

20%

40%

60%

Poder+fazê0lo+em+qualquer+hora/local

Ter+vantagens/promoções+exclusivas

Não+ter+de+me+deslocar+a+uma+loja

Poder+ver+e+analisar+comentários+deixados+por+clientes+anteriores

Existência+de+um+maior+stock+de+produtos

Variedade+de+escolha

Não+ser+influenciado+por+um+vendedor

Possibilidade+de+fazer+pré0reservas

Ter+acesso+às+novidades

Outros

Nenhuma

Não+sei

Compradores Não+Compradores


68

Gráfico31:Dendogramadasvantagensusandoométododoscentroides

Gráfico32:Dendogramadasvantagensusandoométododovizinhomaisafastado

Gráfico33:DendogramadasvantagensusandoométododeWard

Através da análise dos dendogramas anteriores, optou-se por unificar as variáveis “Não ter que me

deslocar a uma loja” e “Poder fazê-lo em qualquer hora/local” (que doravante será denominada por

“Comodidade”), “possibilidadede fazerpré-reservas”e“Teracessoàsnovidades” (queserádenominada

por“Novidades”)easvariáveis“nenhuma”e“nãosei”(queserádenominadapor“Nenhuma/Nãosei”).


69


Recorremos àACMpara realizar uma análise conjunta das vantagens identificadas na compraonline.

Simultaneamenteverificaremosseexistemdiferençasentreasvantagensidentificadaspeloscompradores

e pelos não compradores, bem como se existem diferenças entre géneros. Começou-se por definir o

númeromáximodedimensõesquepermitemrepresentaroconjuntodedados,i.e.,8(anexo5).Emfunção

dosresultadosobtidos,paradeterminaronúmerodedimensõesareteroptou-seporconjugarométodo

dos valores próprios (superiores a 1), o decaimento dos valores próprios (Gráfico 34) e a análise das

medidasdediscriminaçãoobtidas(Tabela29).Atravésdestesmétodosforamseleccionadas4dimensões,

umavezqueapartirda5ªdimensão,asvariáveisrelevantesparacadadimensãonãoadicionamnadade

novofaceàsdimensõesanteriores.Assim,asdimensõesretidasrepresentam56,8%davariânciatotal.

Gráfico34:Representaçãodavariânciadasdimensõesassociadasàsvantagensdacompraonline

0 0.5 1 1.5

1

2

3

4

5

6

7

8


70

Tabela29:MedidasdediscriminaçãoassociadasàACMdasvantagensdacompraOnline

Dimension

Mean1 2 3 4

Nãoserinfluenciadoporumvendedor .007 .292 .145 .001 .111Podervereanalisarcomentáriosdeixadosporclientesanteriores

.100 .159 .018 .526 .201

Tervantagens/promoçõesexclusivas .323 .111 .227 .000 .165Variedadedeescolha .158 .154 .026 .417 .189Outros .039 .055 .016 .019 .032NenhumaNaosei .188 .215 .034 .000 .109Comodidade .403 .155 .071 .000 .158Novidades .051 .008 .539 .088 .172CostumarealizarcomprasOnline?a .001 .013 .002 .022 .009Sexoa .003 .014 .000 .016 .008ActiveTotal 1.269 1.149 1.077 1.051 1.137%ofVariance 15.868 14.369 13.457 13.134 14.207

a.Variávelsuplementar.

Combasenosvaloresdasmedidasdediscriminição(Tabela29),econsiderandoasvariáveisquemaiscontribuemparaaformaçãodasdimensões,passaremosadenominarcadaumadasdimensõesanterioresdoseguintemodo:

• Dimensão1:“Comodidadeeexclusividade”(variáveis“Comodidade”e“Tervantagens/promoções

exclusivas”)

• Dimensão2:“Influênciadevendedoresenenhum/nãosabe”(variáveis:“Nãoserinfluenciadopor

umvendedor”e“Nenhum/Nãosei”)

• Dimensão 3: “Compras rápidas ou de oportunidade” (variáveis “Novidades” e “Ter

vantagens/promoçõesexclusivas”)

• Dimensão4:“Comentáriosevariedade”(variáveis:“Podervereanalisarcomentáriosdeixadospor

clientesanteriores”e“Variedadedeescolha”)

Note-se ainda que os valores dasmedidas de discriminação das variáveis “Costuma realizar compras

online?”e“Sexo”sãobastantepróximasdezeroparatodasasvariáveis,oqueindiciaanãoexistênciade

diferençasentreoselementosdestesgrupos.


71

Tabela30:PosicionamentodasvariáveismaisrelevantesparaaACMdasvantagensdecompraonline


Comodidadee

Exclusividade

(Dimensão1)

Comodidade_Não

Tervantagensepromoçõesexclusivas_Sim

Comodidade_Sim

Tervantagensepromoçõesexclusivas_Não

Influênciade

vendedorese

nenhum/nãosabe

(Dimensão2)

Nãoserinfluenciadoporumvendedor_Não

Nenhum/Nãosei_Sim

Nãoserinfluenciadoporumvendedor_Sim

Nenhum/Nãosei_Não

Comprasrápidasoude

oportunidade

(Dimensão3)

Novidades_Não

Ter_Vantagens/promoções_exclusivas_Sim

Novidades_Sim

Ter_Vantagens/promoções_exclusivas_Não

Comentáriose

variedade

(Dimensão4)

Podervereanalisarcomentáriosdeixadospor

clientesanteriores_Sim

Variedadedeescolha_Não

Podervereanalisarcomentáriosdeixadospor

clientesanteriores_Não

Variedadedeescolha_Sim

CombasenainformaçãoapresentadanaTabela30,verifica-sequeadimensãoComodidadee

exclusividadeopõeosindivíduosquevalorizamaComodidadeaosquepreferemtervantagense

promoçõesonline.JáadimensãoInfluênciadevendedoresenenhum/nãosabecaracteriza-sepelos

indivíduosquesãoopostosemnãoserinfluenciadoporumvendedoreemnãosaberounãoencontrar

nenhumavantagememcompraronline.AdimensãoComprasrápidasoudeoportunidadeéadimensão

naqualosindivíduosinteressadosemteracessoapré-reservaseacessoasnovidadesseopõeaos

indivíduosquepreferemtervantagens/promoçõesexclusivas.Finalmente,adimensãoFeedbackde

clientesanterioresevariedadedeescolha,representaosindivíduosquediscordamentresientrevere

analisarcomentáriosdeclientesanterioreseavariedadedeescolha.

Combasenovalordascoordenadasdoscentroides,representaram-segraficamenteasdimensões

maisrelevantesquandocomparadasduasaduas(Gráfico35eGráfico36):


72

Gráfico35:CoordenadasdoscentroidesdaACMparaasvantagensdacompraonline:Dimensão1vsDimensão2

Gráfico36:CoordenadasdoscentroidesdaACMparaasvantagensdacompraonline:Dimensão2vsDimensão3

S

N

S

N

SN

S

NN

N

SN

S

N_CompCompFemMasc N

S

N

SN

S

N

S

N

N

SN N_Comp

CompFemMasc

Poder&ver&e&analisar&comentários&deixados&por&clientes&anteriores_Não

Poder&ver&e&analisar&comentários&deixados&por&

clientes&anteriores

Não

Ter&vantagens/promoções&exclusivas Variedade&de&escolha_Não

Variedade&de&escolha

Outros_Não

Outros

0.047

Não

ComodidadeNão

Nao&CompradoresCostuma&realizar&compras&

Online?FemininoSexo

Não&ser&influenciado&por&um&vendedor

Poder&ver&e&analisar&comentários&deixados&por&clientes&anteriores

Ter&vantagens/promoções&exclusivas

Variedade&de&escolha

Outros

NenhumaNaosei

Comodidade

Novidades

Costuma&realizar&compras&Online?

Sexo

Perfil1

Perfil2

Perfil3

Perfil4

Perfil5

Perfil3


73

Daanálisedosgráficosanterioresparecemexistir,tendoemcontaasvariáveisquemaisdiscriminam

asrespectivasdimensões,5perfisdistintosdepessoas:

1. Indivíduos que destacam como vantagem as promoções exclusivas e as novidades e

desvalorizamacomodidade;

2. Indivíduosquenãogostamdeserinfluenciadosporvendedoreseoutros;

3. Indivíduos que valorizam a opinião dos outros, a variedade disponível no e-commerce e a

comodidademasnãovalorizamaspromoçõesexclusivas;

4. Indivíduosquevalorizamoutrotipodevantagensquenãoasenunciadasnoquestionário;

5. Indivíduosqueconsideramcomovantagemaspromoçõesexclusivasetambémavariedadena

escolha.

Destaca-se ainda que as coordenadas dos centroides para os dois géneros, se encontram bastante

próximasentresi(edaorigem),oque,maisumavezindica,anãoexistênciadediferençasentreosgrupos

noquedizrespeitoaosàsvantagensdacompraonline.

AAnálisedeClustershierárquicaaplicadaàscoordenadasdosindivíduosnasdimensõesretidassugere

oagrupamentodosindivíduos5grupos(Gráfico37).

Gráfico37:CoeficientesdefusãodaanálisedeClustersassociadaàsvantagensdacompraonline

0

5

10

15

20

25

30

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25


74

ApartirdaAnálisedeClustersnãohierárquicaK-meansépossívelcaracterizarosindivíduosdecadaum

dosgruposdaseguinteforma(Tabela31):

• Grupo1(16%dosinquiridos):representaosindivíduosquevalorizamavariedadedeescolha,

porémnãovalorizamvantagens/promoçõesexclusivas;

• Grupo2(36%dosinquiridos):écaracterizadopelosindivíduosquenãoidentificamnenhuma

vantagemounãosabemdiscriminarquais;

• Grupo3(25%dosinquiridos):realçaosindividuosquenãovalorizamavariedadedeescolha;

• Grupo4(15%dosinquiridos):émarcadopelosindivíduosquevalorizamacomodidadeaoinvés

dasvantagens/promoçõesexclusivas;

• Grupo5(8%dosinquiridos):representasobretudoelementosdosexofemininoquevalorizam

novidadesporoposiçãoàcomodidade;

Tabela31:Caracterizaçãodos5gruposidentificados,relativamenteàsvantagensdacompraonlineidentificadaspelosinquiridos.


Nãoserinfluenciadoporumvendedor

Não 100,0% 100,0% 100,0% 0,0% 100,0% 96,0%

Sim 0,0% 0,0% 0,0% 100,0% 0,0% 4,0%Podervereanalisarcomentáriosdeixadosporclientesanteriores

Não 84,3% 75,0% 80,8% 93,8% 87,5% 82,0%

Sim 15,7% 25,0% 19,2% 6,3% 12,5% 18,0%

Tervantagens/promoções

exclusivas

Não 72,5% 25,0% 54,0% 68,8% 68,8% 57,3%

Sim 27,5% 75,0% 46,0% 31,3% 31,3% 42,8%

VariedadedeescolhaNão 5,9% 75,0% 100,0% 100,0% 87,5% 87,3%

Sim 94,1% 25,0% 0,0% 0,0% 12,5% 12,8%

OutrosNão 92,2% 100,0% 100,0% 100,0% 100,0% 99,0%

Sim 7,8% 0,0% 0,0% 0,0% 0,0% 1,0%

Nenhuma/NãoseiNão 100,0% 0,0% 100,0% 100,0% 100,0% 99,0%

Sim 0,0% 100,0% 0,0% 0,0% 0,0% 1,0%

ComodidadeNão 17,6% 100,0% 28,8% 12,5% 56,3% 28,5%

Sim 82,4% 0,0% 71,2% 87,5% 43,8% 71,5%

NovidadesNão 100,0% 100,0% 100,0% 93,8% 0,0% 95,8%

Sim 0,0% 0,0% 0,0% 6,3% 100,0% 4,3%

SexoNão 54,9% 50,0% 58,1% 56,3% 68,8% 58,0%

Sim 45,1% 50,0% 41,9% 43,8% 31,3% 42,0%

Total 13% 1% 78% 4% 4% 100%



75


Utilizandoumprocedimentoanálogoao realizadoanteriormente, começou-sepor introduzir todasas

variáveisnomodelo,introduzindotodasasvantagensdacompraonline(usandofactodesercompradorou

não comprador online como variável de agrupamento) e fazendo uma seleção manual das variáveis

utilizandoocritériodeseleçãodevariáveiscombasenosvaloresdamatrizdeestrutura(>0,200)–anexo

6).

Tabela32:ModelodeAnáliseDiscriminanteparaasvantagensnacompraOnline,usandocomovariáveldeagrupamento“Costumarealizarcomprasonline”


Nãoserinfluenciadoporumvendedor .995 2.129 1 398 .145Podervereanalisarcomentáriosdei1adosporclientesanteriores

.979 8.552 1 398 .004

Variedadedeescolha .998 .906 1 398 .342Nenhuma/Naosei .996 1.550 1 398 .214Comodidade .995 1.943 1 398 .164Novidades .996 1.595 1 398 .207

Os valores da estatística Lambda de Wilks (próximos de 1 para quase todas as variáveis), parecem

sugeriranãoexistênciadediferençasentreosdoisgrupos(compradoresenãocompradores).Demodoa

verificarestaindicaçãoestudou-seaindaasfunçõesdeFisherassociadasaestemodelo(Tabela33).

Tabela33:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasvantagensdacompra

Online,usandocomovariáveldeagrupamento“Costumarealizarcomprasonline”


NãoCompradores Compradores

Nãoserinfluenciadoporumvendedor 28.316 27.602Podervereanalisarcomentáriosdeixadosporclientesanteriores 8.022 8.857Variedadedeescolha 9.409 9.114Nenhuma/Naosei 109.970 111.089Comodidade 12.285 11.947Novidades 30.402 29.670(Constant) -107.533 -107.185


76


û”‘É§’ h = 28,316. r¨»_«∞≠_órÀƒ ∞r¶ó¨ô»_ù»≠_ß∞rô∞ô»≠

+ 8,022. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆á≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«

+ 9,409. ß¨≠ó∞ô¨ô∞_ô∞_∞«¶»ƒℎ¨ + 109,970. r∞rℎ ñ¨_rã»«∞ó + 12,285¶»ñ»ôóô¨ô∞

+ 30,402. r»ßóô¨ô∞« − 107,533

û‘É§’ h = 27,602. r¨»_«∞≠_órÀƒ ∞r¶ó¨ô»_ù»≠_ß∞rô∞ô»≠

+ 8,857. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆á≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«

+ 9,114. ß¨≠ó∞ô¨ô∞_ô∞_∞«¶»ƒℎ¨ + 111,089. r∞rℎ ñ¨_rã»«∞ó + 11,947¶»ñ»ôóô¨ô∞

+ 29,670. r»ßóô¨ô∞« − 107,185

Assim,econsiderandoaspequenasdiferençasentreoscoeficientesdecadaumadasfunçõesdeFisher,

conclui-sequenãoexistemdiferençasrelevantesentrecompradoresenãocompradoresrelativamenteàs

vantagensidentificadasnoe-commerce.


emcadaumdosgrupos(compradoresounãocompradores),sendoque,comoépossívelverificar,73,9%

dosnãocompradoressãobemclassificados,porémapenas42,2%doscompradoressãobemclassificados

atravésdestemodelo (Tabela34).Verifica-seassimqueomodeloapresentadeficiênciasnaclassificação

doscompradores.

Tabela34:Percentagemdecompradoresenãocompradoresclassificadoscorretamente,atravésdomodeloobtidoparaasvantagensdacompraonline

Utilizandoumraciocínioanálogo,utilizandoavariávelsexocomovariáveldeagrupamento,eusandoo

mesmocritérioparaescolhadasvariáveis,obtiveram-seosresultadosapresentadosnaTabela35.



TotalNão

Compradores CompradoresOriginal % NãoCompradores 73.9 26.1 100.0

Compradores 57.8 42.2 100.0



77

Tabela35:ModelodeAnáliseDiscriminanteparaasvantagensnacompraOnline,usandocomovariáveldeagrupamento“Sexo”


Podervereanalisarcomentáriosdeixadosporclientesanteriores

.967 13.545 1 398 .000

Tervantagens/promoçõesexclusivas

.996 1.418 1 398 .234

Outros .995 1.805 1 398 .180Comodidade .995 1.886 1 398 .170Novidades .997 1.153 1 398 .284

Talcomonoexemploanterior,osvaloresdaestatísticadeLambdadeWilks(próximosde1paratodas

asvariáveis),parecemsugeriranãoexistênciadediferençasentreosdoisgéneros.Demodoaverificaresta

indicaçãoestudou-seaindaasfunçõesdeFisherassociadasaestemodelo(Tabela36).

Tabela36:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasvantagensdacompra

Online,usandocomovariáveldeagrupamento“Sexo”

Sexo

Feminino Masculino

Podervereanalisarcomentáriosdeixadosporclientesanteriores 8.910 9.880Tervantagens/promoçõesexclusivas 8.305 8.146Outros 103.045 104.364Comodidade 9.869 9.478Novidades 30.423 29.825(Constant) -88.053 -89.025

Assim,asfunçõesdeFisherresultantesdaanálisediscriminantesãodaforma:

û¡¬§ h = 8,910. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆á≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«

+ 8,305. ∆∞≠_ß¨r∆¨π∞r«_∞_ù≠»ñ»¶»∞«_∞h¶ƒ «óß¨« + 103,045. » ∆≠»«

+ 9,869¶»ñ»ôóô¨ô∞ + 30,423. r»ßóô¨ô∞« − 88,053

ûÃÄÅÇ h = 9,880. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆á≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«

+ 8,146. ∆∞≠_ß¨r∆¨π∞r«_∞_ù≠»ñ»¶»∞«_∞h¶ƒ «óß¨« + 104,364. » ∆≠»«

+ 9,478¶»ñ»ôóô¨ô∞ + 29,825. r»ßóô¨ô∞« − 89,025


78

AssimeconsiderandoaspequenasdiferençasentreoscoeficientesdecadaumadasfunçõesdeFisher

temos que não existem indícios de diferenças relevantes entre as vantagens identificadas pelos dois

géneros,confirmandoasorientaçõesdaestatísticaLambdadeWilks.

Calculou-se,ainda,atravésdaclassificaçãoefetuadaapercentagemdeindivíduosbemclassificadosem

cada um dos grupos (homem ou mulher), sendo que 67,2% dos elementos do fexo feminino são bem

classificados, porémapenas 51,8%doshomens sãobemclassificados atravésdestemodelo (Tabela 37).

Destemodo,constata-sequeestemodeloapresentadeficiênciasnaclassificaçãocorrectadoshomens.

Tabela37:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtido

àsvantagensdascomprasonline


Paraconstruirummodelode regressão logisticaparaavariável“Sexo”considerandoasvantagensna

compraonlinecomovariáveisindependentes,introduziram-setodasasvantagensemsimultâneoefoifeita

uma seleçãomanual das variáveisutilizandoo indice œ.–.±

, sendoquequantomenores foremos valores

desterácio,maiorseráacontribuiçãodavariávelparaomodelo.Utilizandoesteraciocínio,chegou-seao

seguintemodeloapresentadonaTabela38,doqualépossívelverificarqueos indivíduosquegostamde

saber a opinião dos outros sobre os produtos a adquirir ou sobre as lojas onde adquirir é um factor

potenciadorparasercompradoronline.

Tabela38:ModelodeRegressãoLogísticaparaoscompradoresonlineemfunçãodasvantagensnacompra

online

B S.E.Õ. Œ.∑

Exp(B)


1.023 .362 .354 2.781

Comodidade -.431 .263 .610 .650

Novidades -.691 .520 .753 .501

Constant 1.255 .864 .688 3.507

Sexo


TotalFeminino MasculinoOriginal % Feminino 67.2 32.8 100.0

Masculino 48.2 51.8 100.0



79

Para um ponto de corte de 0,70 obtemos um modelo com sensibilidade igual a 44,6% e uma

especificidade iguala71,2%, istoé, são identificados corretamente44,6%dos compradorese71,2%dos

não compradores, concluindoqueomodeloajusta corretamente52,0%dos inquiridosoque representa

uma qualidade razoável de ajustamento. À semelhança do verificado com a Análise discriminantes,

também este odelo apresenta deficiências na classificação correcta dos compradores. O modelo

encontradotemumafracacapacidadediscriminativa(AUC=0,599).

Tabela39:Valoresprevistospelomodeloderegressãologísticaparaoscompradoresemfunçãodasvantagensassociadasàcompraonline,usandoopontodecorte0,70

Observed

Predicted


PercentageCorrect

NãoCompradores Compradores


NãoCompradores 79 32 71.2

Compradores 160 129 44.6


a.Pontodecorte=.700

Gráfico38:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaasvantagensnacompraOnline,usandocomovariávelsuplementar“Costumarealizarcomprasonline”


ƒ»πó∆ Ø h = ∑s + ∑t. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆¨≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«+ ∑á. ¶»ñ»ôóô¨ô∞ + ∑ö. r»ßóô¨ô∞«


80

= 1,023. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆¨≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«− 0,431. ¶»ñ»ôóô¨ô∞ + 0,691. r»ßóô¨ô∞« + 1,255

Repetindoomesmoraciocínio,agoraparamodelarosexoemfunçãodasvantagensidentificadasna

compraonline,tantoasoutrasvantagensnãodiscriminadasnoquestionáriocomoopoderteracessoaos

comentáriosdeixadospelosclientesanterioressãofactorespotenciadoresparaserdosexomasculino

(Tabela40).

Tabela40:ModelodeRegressãoLogísticaparaosexoemfunçãodasvantagens

B S.E.Õ. Œ.∑

Exp(B)


.961 .269 0,280 2.615

Outros 1.401 1.174 0,838 4.061

Comodidade -.381 .230 -0,604 .683

Novidades -.620 .558 -0,900 .538

Constant -1.580 1.436 -0,909 .206

Aoutilizarmosumpontodecortede0,50obtemosummodelocomsensibilidadeiguala27,4%euma

especificidadeiguala87,5%,istoé,sãoidentificadoscorretamente27,4%dosindivíduosdosexomasculino

e 87,5% dos indivíduos do sexo feminino, concluindo que o modelo ajusta corretamente 62,3% da

totalidadedosinquiridos.Omodeloapresentaassimumafracacapacidadeemclassificarcorrectamenteos

indivíduosdosexomasculino.Porém,omodeloencontradotemumafracacapacidadediscriminativa(AUC

=0,610).

Tabela41:Valoresprevistospelomodeloderegressãologísticaparaosexoemfunçãodasvantagensassociadasàscomprasonline,usandoopontodecorte0,50

Observed

Predicted





a.Pontodecorte=.500


81

Gráfico39:CurvaROCassociadoaoModelodeRegressãoLogísticaparaosexoemfunçãodasvantagensnacompraonline

Atravésdosvalores∑,podemosconstruirafunçãologisticaassociadaaomodeloobtido:

ƒ»πó∆ Ø h = ∑s + ∑t. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆¨≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«+ ∑á. » ∆≠»« + ∑ö¶»ñ»ôóô¨ô∞ + ∑—. r»ßóô¨ô∞«

= 0,961. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆¨≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞« + 1,401. » ∆≠»«

− 0,381¶»ñ»ôóô¨ô∞ − 0,620. r»ßóô¨ô∞« − 1,580

PorviaacompararasvariáveiseconclusõesretiradasatravésdaAnálisedeCorrespondênciasMúltiplas

(ACM),dafunçãodeFisherresultantedaAnáliseDiscriminante(AD)edaRegressãoLogística(RL),quando

sujeitas ao mesmo problema, a tabela resumo das vantagens da compra online identificadas por

compradoresenãocompradoreseentregénerosentreosváriosmodelosutilizados (Tabela42)permite

concluirque,queratravésACMqueratravésdafunçãodeFisherresultantedaAD,nãoexistemdiferenças

entrecompradoresenãocompradoresenementregéneros.Paralelamente,conclui-seaindaquenoque

dizrespeitoàsvariáveisidentificadascomorelevantesnaADenaRL:

• As variáveis escolhidas na AD para os grupos construídos por homens/mulheres e

compradores/nãocompradores,foramasmesmas;

• TodasasvariáveisselecionadasparaomodelodeRLparaoscompradoresenãocompradoressão

tambémrelevantesparaomodelodeRLparaosexo;

• Os modelos de AD e RL identificaram variáveis distintas no estudo para os grupos de

compradores/nãocompradoresehomens/mulheres;


82

Tabela42:TabelaresumodosmétodosutilizadosnaanálisedasvantagensemcomprarOnline

Compradoresvs.NãoCompradores

Homensvs.Mulheres

Existemindíciosde

diferençasentreosgrupos?

Variáveis

diferenciadoras

Existemindíciosde


Variáveis

diferenciadoras

Análisede

CorrespondênciasMúltiplasNão

Não



Não

RegressãoLogística Sim• Podervereanalisar

comentáriosdeixadosporclientesanteriores

Sim

• Podervereanalisarcomentáriosdeixadospor

clientesanteriores

• Outros


83

4.6.2) DesvantagensdacompraOnlineSegue-se agora a análise das desvantagens associadas ao e-commerce que foram identificadas pelos

inquiridos. A desvantagemmais identificada pela totalidade dos inquiridos é a não experimentação do

produto ao vivo, sendo esta mais expressiva nas mulheres (52,2% vs. 45,2% dos inquiridos do sexo

masculino).Curiosonotarqueestadesvantageméquasetãoapontadapeloscompradores(48,1%)como

pelosnãocompradores(52,3%;Gráfico41).

Gráfico40:DesvantagensassociadasàscomprasOnlineidentificadasporhomensemulheres

Gráfico41:DesvantagensassociadasàscomprasOnlineidentificadasporCompradoreseNãoCompradores

Dificuldades+ nas+trocas/devoluções

Não+experimentar+o+produto

Portes+de+Envio

Produto++ser+extraviado+ou+estar+estragado

Envio+do+produto+errado

Método+de+pagamentoNão+ter+apoio+na+escolha+do+produto

Segurança

Nenhuma

Não+sei

Prazo+de+entrega

Masculino Feminino

Dificuldades+ nas+trocas/devoluções

Não+experimentar+o+produto

Portes+de+Envio

Produto++ser+extraviado+ou+estar+estragado

Envio+do+produto+errado

Método+de+pagamentoNão+ter+apoio+na+escolha+do+produto

Segurança

Nenhuma

Não+sei

Prazo+de+entrega

Compradores Não+compradores


84

Os inquiridos de ambos os sexos (41,1% dos homens e 39,7% dasmulheres)mostram também uma

grandepreocupaçãocomeventuaisdificuldadesnastrocasedevoluções(Gráfico38).Estapreocupaçãoé

superiorentreos compradores (41,5%)doquenosnãocompradores (36,9%).Oshomenspreocupam-se

mais(25,6%)comoextravio/produtoserentreguedanificadodoqueasmulheres(13,8%).

Estasdiferençasapresentadasparecemsugerirumarelaçãoentreatipologiadeprodutocompradopor

cadaumdossexos(homenscompramnasuamaioriatecnologia,enquantoasmulheresoptampelamoda

eacessóriospessoais)eotipodepreocupaçõesqueestestêmnoatodacompraonline.

Dereferirainda,aexistênciadediferençasdegéneronasrespostasdadaspelosinquiridos:asmulheres

preocupam-se mais com os métodos de pagamento disponíveis do que os homens (18,1% vs. 12,5%),

porémoshomensrevelarammaiorespreocupaçõescomoprazodeentrega(14,9%dosinquiridosdosexo

masculinovs.7,3%nosexofeminino).

De notar, por fim, que os compradoresonline se preocupambastantemais (24,9% vs. 7,2% dos não

compradores)comaexistênciadeportesdeenvioassimcomocomoprazodeprazodeentrega(13,5%vs.

2,7%). Portanto, denota-se nos compradores mais preocupações com aspetos práticos que o registado

entre os não compradores. Pelo contrário, os não compradores têm preocupações superiores aos

compradorescomquestõesmaisligadasàsegurança(20,7%dosinquiridosnãocompradoresvs.13,8%dos

compradores)ecomométododepagamento(20,7%dosnãocompradoresvs.12,8%doscompradores).

De modo a averiguar as diferenças relativas às desvantagens de comprar online identificadas por

compradores e não compradores e entre géneros, repetiu-se o processo de comparação de métodos

realizado anteriormente. À semelhança do que foi feito na análise das vantagens, começou-se por se

efetuar umaAnálise de Clusters, com caracter exploratório, demodo a identificar eventuais associações

entreasvariáveisporviaaagruparvariáveiscompoucasobservações.


85

Gráfico42:Dendogramadasdesvantagensusandoométododoscentroides

Gráfico43:Dendogramadasdesvantagensusandoométododovizinhomaisafastado

Gráfico44:DendogramadasdesvantagensusandoométododeWard


86

Através da análise dos dendogramas (Gráfico 42 a Gráfico 44), optou-se por unificar as variáveis

“Dificuldades nas trocas e devoluções” e “Não ter apoio na escolha do produto” (que doravante será

denominada por “Falta de Apoio no pré e pós venda”) e as variáveis “Nenhuma” e “Não sei” (que será

denominada por “Nenhuma / Não sei”). A mesma unificação foi considerada com base na Análise de

Clustersseparadaporsexoeporcompradoresenãocompradores(Gráfico45aGráfico48).

Gráfico45:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoFeminino

Gráfico46:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoMasculino

Gráfico47:DendogramadasdesvantagensusandoométododeWardparaosinquiridos

nãocompradores


compradores


87

Deseguida,edemodoaavaliarasdiferençasentreasdesvantagensidentificadasentrecompradorese

não compradores e entre géneros relativamente às desvantagens da compra Online será feita uma

comparaçãoentreaAnálisedeCorrespondênciasMúltiplas,aAnáliseDiscriminanteearegressãologística,

usandocomovariáveisiniciais“métododepagamento”,“segurança”,“enviodoprodutoerrado”,“produto

serextraviadoouestarestragado”,“nãoexperimentaroproduto”,“portesdeenvio”,“prazodeentrega”,

“faltadeapoionopréepósvenda”e“nãosei/nenhuma”.


RecorremosàACMpararealizarumaanáliseconjuntadasdesvantagensidentificadasnacompraonline.

Simultaneamente verificaremos se existem diferenças entre as desvantagens identificadas pelos

compradoresepelosnãocompradores,bemcomoseexistemdiferençasentregéneros.Começou-sepor

sedefinironúmeromáximodedimensõesquepermitemrepresentaroconjuntodedados, i.e.,9(anexo

7). Em função dos resultados obtidos, um critério passível de ser seguido para a escolha do número de

dimensõesseriaaescolhadasdimensõescujovalorprópriosuperiora1ouaindaoptar-seporumnúmero

suficientededimensõesqueexplicasse80%davariância total.Seguindoestesmétodosaopçãopassaria

porescolher6dimensões,oquerepresentariaumareduçãofracadonúmerodevariáveisiniciais.

Assim, e conjugando o decaimento dos valores próprios (Gráfico 49) e da análise das medidas de

discriminação obtidas (Tabela 43) optou-se por 4 dimensões, uma vez que a partir da 5 dimensão, as

variáveisrelevantesparacadadimensãonãoadicionamnadadenovofaceàsanteriores.Assim,omodelo

escolhidorepresenta55,7%davariânciatotaldasvariáveis.

Gráfico49:Representaçãodavariânciadasdimensõesassociadasàsdesvantagensdacompraonline

0 0.5 1 1.5

1

2

3

4

5

6

7

8

9


88

Tabela43:MedidasdediscriminaçãoassociadasàACMdasdesvantagensdacompraonline

Dimension

Mean1 2 3 4

Nãoexperimentaroproduto .365 .084 .055 .333 .209PortesdeEnvio .296 .135 .025 .087 .136Produtoserextraviadoouestarestragado .021 .026 .368 .178 .148Enviodoprodutoerrado .003 .062 .014 .246 .081Métododepagamento .291 .057 .215 .008 .143Segurança .220 .110 .170 .253 .188Prazodeentrega .059 .200 .240 .010 .127Faltadeapoionopréepós-venda .073 .598 .106 .002 .195Nenhuma/Nãosei .012 .034 .000 .057 .026CostumarealizarcomprasOnline? .026 .002 .014 .009 .013Sexo .000 .002 .003 .003 .002ActiveTotal 1.339 1.306 1.195 1.175 1.254%ofVariance 14.882 14.516 13.272 13.058 13.932

Combasenosvaloresdasmedidasdediscriminiçãoeconsiderandoasvariáveisquemaiscontribuem

dimensões,passaremosadenominarcadaumadasdimensõesanterioresdoseguintemodo:

• Dimensão1:“Pagamentoseconfiança”(variáveis“Nãoexperimentaroprodutoaovivo”,“Portes

deenvio”,“Métododepagamento”e“Segurança)

• Dimensão2:“Pós-venda”(variáveis:“Faltadeapoionopréepósvenda”e“PrazodeEntrega”)

• Dimensão 3: “Entrega e método de pagamento” (variáveis “Produto ser extraviado ou estar

estragado”, “método de pagamento” e “prazo de entrega”)

• Dimensão4:“Segurançaepreocupaçãosobrerecepçãodoprodutopretendido”(variáveis:“Não

experimentaroprodutoaovivo”,“Enviodoprodutoerrado”e“Segurança”)

Tal comoanteriormente,os valoresdos coeficientesdediscriminaçãodas variáveis “Costuma realizer

comprasonline?”e “Sexo” sãobastante próximas de zero para todas as dimensões, o que indicia a não

existênciadediferençasentreoselementosdestesgrupos.


89

Tabela44:PosicionamentodasvariáveismaisrelevantesparaaACMdasdesvantagensdecompraonline


Pagamentose

segurança/confiança

(Dimensão1)

Nãoexperimentaroproduto_Sim

PortesdeEnvio_Sim

Métododepagamento_Não

Segurança_Não

Nãoexperimentaroproduto_Não

PortesdeEnvio_Sim

Métododepagamento_Sim

Segurança_Sim

Pós-venda

(Dimensão2)

Faltadeapoionopréepós-venda_Não

Prazodeentrega_Sim

Faltadeapoionopréepós-venda_Sim

Prazodeentrega_Não

Entregaemétodode

pagamento

(Dimensão3)

Produtoserextraviadoouestarestragado_Sim

Métododepagamento_Não

Prazodeentrega_Não

Métododepagamento_Sim

Métododepagamento

Prazodeentrega_Sim

Segurançae

preocupaçãosobre

recepçãodoproduto

pretendido

(Dimensão4)

Nãoexperimentaroproduto_Sim

Enviodoprodutoerrado_Sim

Segurança_Sim

Nãoexperimentaroproduto_Não

Enviodoprodutoerrado_Não

Segurança_Não

Assim,podemosinterpretaraPagamentosesegurança/confiançacujosindivíduosqueseposicionam

de modo oposto relativamente à segurança e ao método de pagamento relativamente ao Não

experimentaroprodutoeaosportesdeenvio.

JáadimensãodePós-vendacaracteriza-sepelosindivíduosquesãoopostosnafaltadeapoionoprée

nopós-vendarelativamenteaoprazodeentrega.

A dimensão de Entrega e método de pagamento é a dimensão na qual os indivíduos concordam

relativamenteaométododepagamentoeaoprazodeentrega,porémdiscordamfaceaoaoprodutoser

extraviadoouestarestragado.

Finalmente,adimensãoSegurançaepreocupaçãosobrerecepçãodoprodutopretendido,representa

os indivíduos que concordamentre si comnão experimentar o produto, o envio do produto errado e a

segurança.

Combasenovalordascoordenadasdoscentroides,representou-segraficamenteasdimensõesmais

relevantesquandocomparadasduasaduas:


90

Gráfico50:CoordenadasdoscentroidesdaACMparaasdesvantagensdacompraOnline:

Dimensão1vsDimensão2

Gráfico51:CoordenadasdoscentroidesdaACMparaasdesvantagensdacompraOnline:


Daanálisedosgráficosanterioresépossívelidentificar,tendoemcontaasvariáveisquemais

discriminamasrespectivasdimensões,5perfisdistintosdeindividuos:

1. Indivíduosqueconsideramqueasprincipaisdesvantagensassociadasàcompraonline sãoo

prazodeentrega,osportesdeenvioeonãoexperimentaroproduto;

2. Indivíduosparaosquaisasegurançaéoqueospreocupanestetipodecompra;

3. Indivíduoscujaprincipalpreocupaçãoéfaltadeapoionopréepósvenda;

4. Indivíduospreocupadoscomoextraviodoprodutoouoprodutoestragadoestarestragado;

S N

S

NS

N

SNN

S

N

S

N

S

N

S

N_CompCompFemMasc

N

SN

S

N

S

N

S

NS

N

S

NS

N SN

S

N_CompCompFemMasc

Não$experimentar$ o$produtoPortes$de$Envio_N

Portes$de$Envio

NProduto$$ser$extraviado$ou$

estar$estragado

Envio$do$produto$errado_N

Envio$do$produto$errado

Método$de$pagamento_N

Método$de$pagamento

0.139

Segurança

N

Prazo$de$entrega

N

Falta$de$apoio$no$pré$e$pósCvenda

N

Nenhuma!/Não$sei

Costuma$realizar$compras$Online?

Costuma$realizar$compras$Online?

Sexo_FemSexo

Não$experimentar$ o$produto Portes$de$Envio

Produto$$ser$extraviado$ou$estar$estragado Envio$do$produto$errado

Método$de$pagamento Segurança

Prazo$de$entrega Falta$de$apoio$no$pré$e$pósCvenda

Nenhuma!/Não$sei Costuma$realizar$compras$Online?

Sexo

1ºPerfil

3ºPerfil

2ºPerfil

2ºPerfil

4ºPerfil

5ºPerfil


91

5. Indivíduosparaosquaisasprincipaisdesvantagenssãoométododepagamentoeoprazode

entrega.

Destaca-se ainda aqueas coordenadasdos centroidesparaosdois géneros, se encontrambastante

próximasentresi (edaorigem),oque,maisumavez indica,anãoexistênciadediferençasentreosdois

gruposnoquedizrespeitoàsdesvantagensdacompraonline.

Gráfico52:CoeficientesdefusãodaanálisedeClustersassociadaàsdesvantagensdacompraonline

AAnálisedeClustershierárquicasugereoagrupamentoosinvidíduosem5grupos(Gráfico53).

Recorrendo à classificação não hierárquica (K-means) e cruzando com os perfis previamente

identificadoscomaACM,podemosdizerqueasprincipaiscaracterísticasdosgruposidentificados

são(Tabela45):

• Grupo 1 (16% inquiridos) caracteriza-se pela preocupação com poder experimentar o

produtoaovivo,osportesdeenvio,oprazodeentregaeafaltadeapoionopréepós-venda;

• Grupo2(36%inquiridos)abrangeosegmentodosindivíduosessencialmentepreocupados

comasegurançaequedesvalorizamaquestãodoapoionopréepósvenda;

• Grupo 3 (25% dos inquiridos) identifica o segmento dos que consideram que a falta de

apoioquernoprécomonopósvenda;

• Grupo4(15%inquiridos)écaracterizadopelosindivíduosquetemreceiosrelativamenteà

recepçãodoproduto;

• Grupo 5 (8% dos inquiridos) é o de menor dimensão e refere-se a um segmento que

considera que as principais desvantegns são o método de pagamento e o prazo de entrega,

desvalorizandonãoexperimentaroprodutoeafaltadeapoionavenda.

0

5

10

15

20

25

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25


92

Tabela45:Caracterizaçãodos5gruposidentificados,relativamenteaosàsdesvantagensdacompraonlineidentificadaspelosinquiridos.


Nãoexperimentaroproduto

Não 3,0% 66,7% 45,1% 100,0% 100,0% 50,7%Sim 97,0% 33,3% 54,9% 0,0% 0,0% 49,3%

PortesdeEnvioNão 65,3% 98,3% 89,6% 76,9% 53,3% 80,0%Sim 34,7% 1,7% 10,4% 23,1% 46,7% 20,0%

Produtoserextraviadoouestarestragado

Não 78,2% 85,0% 100,0% 32,3% 100,0% 81,3%Sim 21,8% 15,0% 0,0% 67,7% 0,0% 18,8%

EnviodoprodutoerradoNão 82,2% 100,0% 90,3% 72,3% 100,0% 87,5%

Sim 17,8% 0,0% 9,7% 27,7% 0,0% 12,5%

MétododepagamentoNão 100,0% 83,3% 77,1% 87,7% 60,0% 84,3%Sim 0,0% 16,7% 22,9% 12,3% 40,0% 15,8%

SegurançaNão 100,0% 0,0% 100,0% 100,0% 100,0% 85,0%Sim 0,0% 100,0% 0,0% 0,0% 0,0% 15,0%

PrazodeentregaNão 85,1% 98,3% 100,0% 96,9% 20,0% 89,5%Sim 14,9% 1,7% 0,0% 3,1% 80,0% 10,5%

Faltadeapoionopréepós-venda

Não 100,0% 83,3% 9,0% 70,8% 80,0% 58,5%Sim 0,0% 16,7% 91,0% 29,2% 20,0% 41,5%

SexoFeminino 100,0% 100,0% 100,0% 86,2% 100,0% 97,8%Masculino 0,0% 0,0% 0,0% 13,8% 0,0% 2,3%

Total 16% 36% 25% 15% 8% 100%



93


Utilizandoumprocedimentoanálogoao realizadoanteriormente, começou-sepor introduzir todasas

variáveis para o modelo, introduzindo todas as desvantagens (usando facto de ser comprador ou não

compradorOnlinecomovariáveldeagrupamento)efazendoumaseleçãomanualdasvariáveisutilizandoo

critério de seleção de variáveis combase nos valores damatriz de estrutura (>0,200) – anexo 8), tendo

obtido:

Tabela46:ModelodeAnáliseDiscriminanteparaasdesvantagensnacompraOnline,usandocomoVariáveldegrupo“Costumarealizarcomprasonline”


PortesdeEnvio .961 16.275 1 398 .000Métododepagamento

.993 2.867 1 398 .091

Segurança .990 3.963 1 398 .047Prazodeentrega .975 10.142 1 398 .002Nenhuma/Nãosei .997 1.278 1 398 .259

Os valores da estatística Lambda de Wilks (próximos de 1 para quase todas as variáveis), parecem

sugeriranãoexistênciadediferençasentreosdoisgrupos(compradoresenãocompradores).Demodoa

verificarestaindicaçãoestudou-seaindaasfunçõesdeFisherassociadasaestemodelo(Tabela47):

Tabela47:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasdesvantagensdacompraOnline,usandocomovariáveldegrupo“Costumarealizarcomprasonline”


Não Sim

PortesdeEnvio 12.227 13.276Métododepagamento 12.217 11.810Segurança 14.806 14.472Prazodeentrega 14.508 15.650Nenhuma/Nãosei 55.054 54.362(Constant) -59.527 -60.402



94

û”‘É§’ h = 12,227. ù»≠∆∞«_ô∞_∞rßó» + 12,217.ñ∞∆»�»_ô∞_ù¨π¨ñ∞r∆» + 14,806. «∞π ≠¨r¶¨

+ 11,508. ù≠¨◊»_ô∞_∞r∆≠∞π¨ + 55,054r∞rℎ ñ¨_rã»«∞ó − 59,527

û‘É§’ h = 13,276. ù»≠∆∞«_ô∞_∞rßó» + 11,810.ñ∞∆»ô»_ô∞_ù¨π¨ñ∞r∆» + 14,472. «∞π ≠¨r¶¨

+ 15,650. ù≠¨◊»_ô∞_∞r∆≠∞π¨ + 54,362r∞rℎ ñ¨_rã»«∞ó − 60,402

Assim,econsiderandoaspequenasdiferençasentreoscoeficientesdecadaumadasfunçõesdeFisher,

temos que não existem diferenças relevantes entre compradores e não compradores relativamente às

desvantagensidentificadasnoe-commerce.


emcadaumdosgrupos(compradoresounãocompradores),sendoque,comoépossívelverificar,90,1%

dosnãocompradoressãobemclassificados,porémapenas35,3%doscompradoressãobemclassificados

atravésdestemodelo (Tabela48).Verifica-seassimqueomodeloapresentadeficiênciasnaclassificação

doscompradores.

Tabela48:Probabilidadedeumnovoelementopertenceraogrupodoscompradores,atravésdomodeloobtidoparaasdesvantagensdacompraonline



TotalNão SimOriginal % Não 90.1 9.9 100.0

Sim 64.7 35.3 100.0



mesmo critério para escolhadas variáveis, variáveis, obtiveram-seos resultados apresentadosna Tabela

49.

Tabela49:ModelodeAnáliseDiscriminanteparaasdesvantagensnacompraOnline,usandocomovariáveldegrupo“Sexo”


Nãoexperimentaroproduto

.995 1.865 1 398 .173


.978 9.066 1 398 .003


95

Métododepagamento

.994 2.307 1 398 .130

Prazodeentrega .985 5.974 1 398 .015Nenhuma/Nãosei .996 1.477 1 398 .225

Talcomonoexemploanterior,osvaloresdaestatísticadeLambdadeWilks(próximosde1paratodas

asvariáveis),parecemsugeriranãoexistênciadediferençasentreosdoisgéneros.Demodoaverificaresta

indicaçãoestudou-seaindaasfunçõesdeFisherassociadasaestemodelo

Tabela50:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasdesvantagensda

compraOnline,usandocomovariáveldegrupo“Sexo”

Sexo

Feminino Masculino

Nãoexperimentaroproduto 15.813 15.577Produtoserextraviadoouestarestragado 17.234 17.996Métododepagamento 18.640 18.219Prazodeentrega 18.360 19.257Nenhuma/Nãosei 62.826 62.012(Constant) -75.750 -75.991


û¡¬§ h = 15,813. r¨»_∞hù∞≠óñ∞r∆¨≠_»_ù≠»ô ∆»

+ 17,234. ù≠»ô ∆»_«∞≠_∞h∆≠¨ßó¨ô»_» _∞«∆¨≠_∞«∆≠¨π¨ô»

+ 18,640.ñ∞∆»ô»_ô∞_ù¨π¨ñ∞r∆» + 18,360. ù≠¨◊»_ô∞_∞r∆≠∞π¨

+ 62,826r∞rℎ ñ¨_rã»«∞ó − 75,750

ûÃÄÅÇ h = 15,577. r¨»_∞hù∞≠óñ∞r∆¨≠_»_ù≠»ô ∆»

+ 17,996. ù≠»ô ∆»_«∞≠_∞h∆≠¨ßó¨ô»_» _∞«∆¨≠_∞«∆≠¨π¨ô»

+ 18,219.ñ∞∆»ô»_ô∞_ù¨π¨ñ∞r∆» + 19,257. ù≠¨◊»_ô∞_∞r∆≠∞π¨

+ 62,012r∞rℎ ñ¨_rã»«∞ó − 75,991


96


temosquenãoexistemindíciosdediferençasrelevantesentreasdesvantagensidentificadaspelosdois

géneros,confirmandoasorientaçõesdotestedeWilks.

Calculou-se,ainda,atravésdaclassificaçãoefetuadaprobabilidadedeumnovoelementodaamostra

pertenceraumdosdoisgrupos(homensoumlheres),sendoque,comoépossívelverificar,78,9%dos

elementosdofexofemininosãobemclassificados,porémapenas39,3%doshomenssãobemclassificados

atravésdestemodelo.Destemodo,constata-sequeestemodeloapresentadeficiênciasnaclassificação

correctadoshomens.

Tabela51:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaasdesvantagensassociadasàscomprasonline

Sexo



Masculino 60.7 39.3 100.0


RegressãoLogística:

Paraconstruirummodeloderegressão logisticaparaavariável“Sexo”considerandoasdesvantagens

nacompraonlinecomovariáveisindependentes,introduziram-setodasasdesvantagensemsimultâneoe

foi feitaumaseleçãomanualdasvariáveisutilizandoo indice œ.–.±

, sendoquequantomenores foremos

valoresdesterácio,maiorseráacontribuiçãodavariávelparaomodelo.Utilizandoesteraciocínio,chegou-

seaoseguintemodeloapresentadonaTabela52,doqualépossívelverificarqueosportesdeenvioeo

prazodeentregasãodesvantagensimportantesrelativamenteacompraronline.

Tabela52:ModelodeRegressãoLogísticaparaoscompradoresonlineemfunçãodasdesvantagensnacompraonline

∑ S.E.Õ. Œ.∑

Exp(∑) PortesdeEnvio 1.701 .405 0,24 5.480

Enviodoprodutoerrado

.524 .3580,68

1.689

Prazodeentrega 2.029 .624 0,31 7.606

Faltadeapoionopreepos-venda

.620 .2460,40

1.859


97

Constant -4.629 1.104 0,24 .010

Paraumpontodecortede0,70obtemosummodelocomsensibilidadeiguala71,3%euma

especificidadeiguala53,2%,istoésãoidentificadoscorretamente71,3%doscompradorese53,2%dos

nãocompradores,concluindoqueomodeloajustacorretamente66,3%dosinquiridosoquerepresenta

umaqualidaderazoaveldeajustamento.ÀsemelhançadoverificadocomaAnálisediscriminante,também

esteodeloapresentadeficiênciasnaclassificaçãocorrectadoscompradores.Omodeloencontradotem

umafracacapacidadediscriminativa(AUC=0,681).

Tabela53:ValoresprevistoscomoModelodeRegressãoLogísticaobtidoparaoscompradoresemfunção

dasdesvantagens,usandoopontodecorte0,70

Observed

Predicted

CostumarealizarcomprasOnline? Percentage

CorrectNão Sim


Não 59 52 53.2

Sim 83 206 71.3


a.Pontodecorte=.700

Gráfico53:CurvaROCassociadaaoModelodeRegressãoLogísticaobtidoparaasdesvantagensnacompraOnline,usandocomovariávelsuplementar“Costumarealizarcomprasonline”


98

Atrávésdosvalores∑,podemosconstruirafunçãologisticaassociadaaomodeloobtido:ƒ»πó∆ Ø h = ∑s + ∑t. ù»≠∆∞«_ô∞_∞rßó» + ∑á. ∞rßó»_ô»_ù≠»ô ∆»_∞≠≠¨ô» + ∑ö. ù≠¨◊»_ô∞_∞r∆≠∞π¨

+ ∑—. À¨ƒ∆¨_ô∞_¨ù»ó»_r»_ù≠∞_∞_ù»«ß∞rô¨

= 1.701. ù»≠∆∞«_ô∞_∞rßó» + 0,524. ∞rßó»_ô»_ù≠»ô ∆»_∞≠≠¨ô» + 2,029. ù≠¨◊»_ô∞_∞r∆≠∞π¨+ 0,620. À¨ƒ∆¨_ô∞_¨ù»ó»_r»_ù≠∞_∞_ù»«ß∞rô¨ − 4,629

Repetindoomesmoraciocínio,agoraparamodelarosexoemfunçãodasdesvantagensidentificadasna

compraonline,oprazodeentregaéumfactorespotenciadoresparaserdosexomasculino(Tabela54).

Tabela54:ModelodeRegressãoLogísticaobtidoparaasdesvantagensnacompraOnline,usandocomovariávelsuplementar“Costumarealizarcomprasonline”

B S.E.Õ. Œ.∑

Exp(B)


.989 0,237 0,24 2.688

Prazodeentrega 1.149 0,781 0,68 3.157

Faltadeapoionopreepos-venda

.395 0,122 0,31 1.484

Segurança .435 0,174 0,40 1.544

Constant -3.838 0,921 0,24 .022

Assim,aoutilizarmosumpontodecortede0,40obtemosummodelocomsensibilidadeiguala42,3%e

uma especificidade igual a 76,7%, isto é, são identificados corretamente 42,3% dos indivíduos do sexo

masculinoe76,7%dosindivíduosdosexofeminino,concluindoqueomodeloajustacorretamente62,3%

dos inquiridos o que representa uma boa qualidade de ajustamento. Porém, omodelo encontrado tem

aindaumafracacapacidadediscriminativa(AUC=0,615).


99

Tabela55:ValoresprevistoscomoModelodeRegressãoLogísticaobtidoparaossexosemfunçãodasdesvantagens,usandoopontodecorte0,40

Observed

Predicted


Sexo Feminino 178 54 76,7

Masculino 97 71 42,3

OverallPercentage 62,3

a.Pontodecorte=0,400

Gráfico54:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaasdesvantagensnacompraOnline,usandocomovariávelsuplementar“Sexo”


ƒ»πó∆ Ø h = ∑s + ∑t. ù≠»ô ∆»_«∞≠_∞h∆≠¨ßó¨ô»_» _∞«∆¨≠_∞«∆≠¨π¨ô» + ∑á. ù≠¨◊»_ô∞_∞r∆≠π¨+ ∑ö. À¨ƒ∆¨_ô∞_¨ù»ó»_r»_ù≠∞_∞_ù»«ß∞rô¨ + ∑—. «∞π ≠¨r¶¨

= 0,989. ù≠»ô ∆»_«∞≠_∞h∆≠¨ßó¨ô»_» _∞«∆¨≠_∞«∆≠¨π¨ô» + 1,149. ù≠¨◊»_ô∞_∞r∆≠π¨

+ 0,395. À¨ƒ∆¨_ô∞_¨ù»ó»_r»_ù≠∞_∞_ù»«ß∞rô¨ + 0,435. «∞π ≠¨r¶¨ − 3,838


100

PorviaacompararasvariáveiseconclusõesretiradasatravésdaAnálisedeCorrespondênciasmúltipla,

dafunçãodeFisherresultantedaAnáliseDiscriminanteedaRegressãoLogisiticaquandosujeitasao

mesmoproblema,concluiu-sequequernaAnálisedeCorrespôndenciasMultiplas(ACM)queratravésda

FunçãodeFisherresultantedaAnáliseDiscriminante(AD)conclui-sequenãoexistemdiferençasentre

compradoresenãocompradoreseentregénerosnoquedizrespeitoàsdesvantagensassociadasàcompra

onlineidentificadaspelosindivíduosnaamostraemestudo.Noquedizrespeitoàsvariáveisidentificadas

comorelevantesnaAnáliseDiscriminante(AD)enaRegressãoLogistica(RL),registou-seque:

• Asvariáveisescolhidas,paraADparaosgruposconstruídosporhomens/mulherese

compradores/nãocompradores,foramasmesmas;

• ExistiramdiferençasentreasvariáveisselecionadasparaomodelodeRLentreosdoisgrupos;

• OsmodelosdeADeRLidentificaramvariáveisdistintasnoestudoparaosgruposde

compradores/nãocompradoresehomens/mulheres;

Tabela56:TabelaresumodosmétodosutilizadosnaanálisedasdesvantagensemcomprarOnline


Homensvs.Mulheres

Existemindíciosde


Variáveis

diferenciadoras

Existemindíciosde


Variáveis

diferenciadoras

Análisede

CorrespondênciasMúltiplasNão Não



Não


• Portesdeenvio

• Enviodoproduto

errado

• Prazodeentrega

• Faltadeapoiono

préepós-venda

Sim

• Faltadeapoiono

préepós-venda

• Segurança

Quandoquestionadossobrequaisosmotivosquepoderiamlevaracomprar/comprarmaisonline,não

houvediferençasevidentesentregéneros,porémdetetaram-sealgumasdiscrepânciasentreasopiniõesde

compradoresenãocompradores(


101

4.6.3) MotivaçõesepreferênciasnacompraOnline

Tabela57).Oscompradorescomprariammaisonlinecasoexistaopçãodeentregarápida(32,8%facea

nãocompradores),pressãodefamiliares/amigos(45,3%contra39,8%)ouportesgratuitos(15,3%versusa

12,7%dosnãocompradores).Jáosnãocompradorescomprariamonlinepoderiamtornar-secompradores

casoexistamdescontosexclusivosonline(8,5%facea1,1%doscompradores),casooprocessodecompra

sejasimpleserápido(7,6%versus1,8%)eaindaporoutrosmotivosnãoespecificados(3,4%facea0,4%

doscompradores).

4.6.4) MotivaçõesepreferênciasnacompraOnline

Tabela57:Quaisosmotivosqueopoderiamlevaracomprar/comprarmaisonline?

Género Costumarealizercomprasonline?

Masculino Feminino Compradores Nãocompradores

PortesdeEnvioGratuítos17,2% 12,7% 15,3% 12,7%

DescontosExclusivosOnline

3,1% 3,5% 1,1% 8,5%

Opçãodeentregarápida30,7% 30,1% 32,8% 24,6%

Nãosei0,0% 0,4% 0,4% 0,0%

Processodecomprasimpleserápido

4,9% 2,6% 1,8% 7,6%

Produtosituadoforadoalcancehabitacional

0,6% 0,4% 0,7% 0,0%

Outros1,8% 0,9% 0,4% 3,4%

Outrosmodosdepagamento

0,6% 0,0% 0,4% 0,0%

Possibilidadedetroca/devoluçãosem

custos0,6% 3,5% 1,8% 3,4%

Pressãodeamigos/familiares

40,5% 45,9% 45,3% 39,8%


102

Outrodadoareteréqueapenas1,5%dosinquiridosexigereceberoprodutocompradoonlinenodia

seguinte,enquantoque11,0%estádispostoaesperarmaisdeduassemanaspelaentregadacompra

efetuada.

Gráfico55:TempomáximoparaentregadecompraOnline

Umadasprincipaisvantagensdaslojasonlineparaosconsumidoresestárelacionadacomoutilizador

poderescolherecompararosprodutosentreváriaslojas/fornecedoresemsimultâneo.Nestesentidofoi

questionadoaosinquiridosseestescostumamcompararprodutosonline,sendoque75,8%dosinquiridos

responderamafirmativamente,sendoestapercentagemsuperiornoshomens(84,5%facea69,4%das

mulheresinquiridas)e,naturalmente,entreoscompradoresonline(94,1%).

Gráfico56:InquiridosquecomparamprodutosOnline

0%

10%

20%

30%

40%

50%

0.00%

10.00%

20.00%

30.00%

40.00%

50.00%

1)dia 2-3)dias Uma)semana Duas)semanas Mais)de)duas)semanas

0%

25%

50%

75%

100%

Sim Não

Masculino Feminino


103

4.6.4) MeiosdecomunicaçãoOnline

Noquedizrespeitoaosmeiosdecomunicaçãoconsideradosmaiseficazesparapublicitarumproduto

online,omeiopreferencialpara48,75%dosinquiridoséoemail.Dedestacaraindaapublicidadeno

Facebook(33,50%)eaindaosanúnciosdetextoemmotoresdebusca(25,50%).Umapercentagemainda

relevantedosinquiridos(15,25%)revelounãosaberqualomeioqueconsideramaiseficaz.

Osinquiridosdosexofemininomostrarampreferirmaisosemailspublicitários(51,29%facea45,24%

doshomens),eapublicidadenoFacebook(37,93%versus27,38%).Jáoshomensmostrarampreferirtodos

osrestantesmeiosdeangariação,comdestaqueparaosbannersdepublicidade(13,10%versus4,74%).

Note-sequeforamtambémoshomensosquemaisdenotaramdesconhecimentosobreomeiode

comunicaçãomaiseficaz:18,45%versus12,93%dasinquiridas.

Porviaaavaliarseasdiferençasencontradasrelativamenteosmeiosdepublicidadequecompradorese

nãocompradoresehomensemulheresidentificaramcomoaquelesquegarantemmaiorsucessojuntodos

utilizadoresoptou-seporcompararnovamenteosresultadosdaAnálisedeCorrespondênciasMúltiplas,da

funçãodeFisherresultantedaAnáliseDiscriminanteedaRegressãoLogística.

Gráfico57:Meiosdepublicidadeconsideradosmaiseficazesporcadaumdossexos

0%

20%

40%

60%Anúncios-no-Google-/-Sapo-/-...

Emails-publicitários

Não-sei

Banners

Televisão

SMS

Publicidade-no-Facebook

Outros

Masculino Feminino


104

Gráfico58:MeiosdepublicidadeconsideradosmaiseficazesporCompradoreseNãoCompradoresOnline

Demodoaavaliarasdiferençasentreentreosmeiosdepublicidademaiseficazesidentificadospor

compradoresenãocompradoreseentregéneros,serãocomparadostrêsmétodos:aAnálisede

CorrespondênciasMúltiplas,aanálisedafunçãodeFisherassociadaàAnáliseDiscriminanteeaRegressão

Logística.Porém,umavezqueexistemvariáveiscomumnúmeroreduzidodeobservações,optou-seporse

efetuarumaAnálisedeClusters,comcarácterexploratório,demodoaidentificareventuaisassociações

entreasvariáveisporviaaagruparvariáveiscompoucasobservações.

Numaprimeirafasetraçou-seumaanálisedeClustersparaaglobalidadedosdados,usandovários

métodosdeclassificaçãohierárquica:centroides,maiordistânciaemétododeWard,usandocomomedida

deassociaçãooPhi,tendo-seobtidoosseguintesdendogramaserespetivográficosdoscoeficientesde

fusão.

0%

20%

40%

60%Anúncios-no-Google-/-Sapo-/-...

Emails-publicitários

Não-sei

Banners

Televisão

SMS

Publicidade-no-Facebook

Outros

Compradores Não-compradores


105

Gráfico59:Dendogramadosmeiosdepublicidademaiseficazesusandoométododoscentroides

Gráfico60:Dendogramapublicidademaiseficazesusandoométododamaiordistância

Gráfico61:DendogramapublicidademaiseficazesusandoométododeWard

Atravésdaanálisedosdendogramasanteriores,verifcou-sequetodososmétodospossuemumbom

poderdiscriminativodasvariáveis.Osgráficosdoscoeficientesdefusãonãosemostrarameficazesno

agrupamentodasvariáveis.Assim,optou-seporunificarasvariáveis“Televisão”e“Outros”(quedoravante

serádenominadapor“Televisão/Outros”).


106

Aescolhadestasvariáveisfoivalidadatambémpelosdendogramasefetuadosatravésdaanálisede

clustersusandoasmesmasvariáveisparaambosossexoseparacompradoresenãocompradores,de

acordocomométododeWard:

Gráfico62:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoFeminino

Gráfico63:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoMasculino


nãocompradores


compradores

Deseguida,edemodoaavaliarasdiferençasentreasdesvantagensidentificadasentrecompradorese

não compradores e entre géneros relativamente às desvantagens da compra Online será feita uma


107

comparaçãoentreaAnálisedeCorrespondênciasMúltiplas,aAnáliseDiscriminanteearegressãologística,

usandocomovariáveis “Televisão/Outros”, “Banners”, “Nãosei”, “AnunciosnoGoogle /Sapo...”, “SMS”,

“PublicidadenoFacebook”e“Emailspublicitários”.

Análisedecorrespondênciamúltiplas:

Recorremos à ACM para realizar uma análise conjunta dos meios de publicidade mais eficazes

identificados pelos inquiridos. Simultaneamente verificaremos se existem diferenças entre as meios de

publicidademaiseficazes identificadosporcompradoresepelosnãocompradores,bemcomoseexistem

diferenças entre géneros. Começou-se por se definir o número máximo de dimensões que permitem

representaroconjuntodedados, i.e.,7(anexo9).Emfunçãodosresultadosobtidos,umcritériopassível

deserseguidoparaaescolhadonúmerodedimensõesseriaaescolhadasdimensõescujovalorpróprio

superiora1ouaindaoptar-seporumnúmero suficientededimensõesqueexplicasse80%davariância

total.Seguindoestesmétodosaopçãopassariaporescolher5dimensões.

Assim, e conjugando o o decaimento dos valores próprios (Gráfico 66) e da análise dasmedidas de

discriminação obtidas(Tabela 58) optou-se por 4 dimensões, uma vez que a partir da 5 dimensão, as

variáveis relevantes para cada dimensão não adicionam nada de novo face às anteriores. Assim, o as

dimensõesretidasrepresentam71,6%davariânciatotal.

Gráfico66::Representaçãodavariânciadasdimensõesassociadasaosmeiosdepublicidademaiseficazes

0 0.3 0.6 0.9 1.2 1.5

1

2

3

4

5

6

7


108

Tabela58:MedidasdediscriminaçãoassociadasàACMdosmeiosdepublicidademaiseficazes

Dimension

Mean1 2 3 4

AnúnciosnoGoogle/Sapo/... .082 .430 .060 .002 .143Emailspublicitários .587 .008 .023 .002 .155Nãosei .536 .356 .007 .039 .235Banners .011 .088 .536 .000 .159SMS .290 .128 .000 .001 .105PublicidadenoFacebook .003 .366 .458 .000 .207Televisão/Outros .013 .009 .000 .974 .249CostumarealizarcomprasOnline?a .004 .003 .036 .004 .012Sexoa .020 .000 .026 .003 .012ActiveTotal 1.523 1.385 1.084 1.018 1.252%ofVariance 21.750 19.785 15.487 14.543 17.891

a.Supplementaryvariable.

Combasenosvaloresdasmedidasdediscriminição(Tabela58)econsiderandoasvariáveisquemais

contribuemparaaformaçãodasdimensões,passaremosadenominarcadaumadasdimensõesanterioes

doseguintemodo:

• Dimensão1:“Emailspublicitáriosenãosei”(variáveis“Emailspublicitários”e“Nãosei)

• Dimensão2:“Pesquisaeredessociais”(variáveis:“AnúnciosnoGoogle/Sapo/...”,“Nãosei”e

“PublicidadenoFacebook”)

• Dimensão3:“Meiosdepublicidadedeinduçãodeprocura”(variáveis”Banners”e“Publicidadeno

Facebook”)

• Dimensão4:“Televisão/Outros”(variável:“Televisão/Outros”)

Note-se ainda que os valores dasmedidas de discriminação das variáveis “Costuma realizer compras

online?”e“Sexo”sãobastantepróximasdezeroparatodasasvariáveis,oqueindiciaanãoexistênciade

diferençasentreoselementosdestesgrupos.


109

Tabela59:PosicionamentodasvariáveismaisrelevantesparaaACMdosmeiosdepublicidademaiseficazes


Emailspublicitáriose

nãosabe

(Dimensão1)

Emailspublicitários_Não

Nãosei_Sim

Emailspublicitários_Sim

Nãosei_Não

Pesquisaeredes

sociais

(Dimensão2)

AnúnciosnoGoogle/Sapo/..._Sim

Nãosei_Não

PublicidadenoFacebook_Sim

AnúnciosnoGoogle/Sapo/..._Não

Nãosei_Sim

PublicidadenoFacebook_Não

Meiosdepublicidade

deinduçãodeprocura

(Dimensão3)

Banners_Sim

PublicidadenoFacebook_Não

Banners_Não

PublicidadenoFacebook_Sim

Televisão/Outros

(Dimensão4)Televisão/Outros_Não Televisão/Outros_Sim

Com base na informação da Tabela 59 podemos interpretar a dimensãoEmails publicitários e não

sabecomoaquecaracterizaos indivíduosqueseposicionamdemodoopostorelativamenteaEmailsde

publicidadeeanãosaberquaisosmeiosdepublicidadeonlinemaiseficazes.

Já a dimensão de Pesquisa e redes sociais caracteriza-se pelos indivíduos que concordam

relativamenteaAnúnciosnoGoogle /Sapo/..._eaPublicidadenoFacebook,porémdiscordamemnão

saberquaisosmeiosmaiseficazes.

AdimensãodeMeiosdepublicidadedeinduçãodeprocuraéadimensãoqueopõeosindivíduosque

consideram os Banners como meios eficazes de publicidade relativamente aos que consideram a

PublicidadenoFacebook.

Finalmente, a dimensão Televisão/Outros, representa os indivíduos que consideram que os meios

publicitáriosmaiseficazessãoatelevisãoeoutros.


110

Combasenovalordascoordenadasdoscentroides,representou-segraficamenteasdimensõesmais

relevantesquandocomparadasduasaduas:

Gráfico67:CoordenadasdoscentroidesdaACMparaosmeiosdepublicidademaiseficazes:


Gráfico68:CoordenadasdoscentroidesdaACMparaosmeiosdepublicidademaiseficazes:


Da análise dos gráficos anteriores é possível identificar, tendo em conta as variáveis que mais

discriminamasrespectivasdimensões,4perfisdistintosdecompradores:

1. Indivíduos que preferem meios mais generalistas como televisão/outros, anúncios no

Google/Sapo/...eBanners,poroposiçãoàsSMSeaosemailspublicitários;

2. IndivíduosqueoFacebookéomeiopublicitáriomaiseficaz;

3. IndivíduosqueconsideramquemeiosmaisreactivoscomoosbannerseasSMSsãoosmeios

maiseficazes;

4. IndivíduosquepreferemosanúnciosnoGoogle/Sapo/...apublicidadenoFacebook.

S

N SN

N

S

N

N

S

N

S

N#CompCompFemMasc

S

NSN

S

NN

SN

S

N

S

N#CompCompFemMasc

Anúncios(no(Google(/(Sapo(/( ...

Emails(publicitários_NEmails(publicitários

N

Não(sei

Banners_NSMS_N

SMS0.43

Publicidade(no(Facebook

N

Televisão!/Outros

N(CompCostuma(realizar(compras(

Online?FemSexo

Anúncios(no(Google(/(Sapo(/(... Emails(publicitários Não(sei

Banners SMS Publicidade(no(Facebook

Televisão!/Outros Costuma(realizar(compras(Online? Sexo

Perfil1

Perfil2

Perfil3

Perfil4

Perfil2

Perfil1


111

Destaca-se ainda que as coordenadas dos centroides para os dois géneros, se encontram bastante

próximasentresi(edaorigem),oque,maisumavezindica,anãoexistênciadediferençasentreosgrupos

noquedizrespeitoaosmeiospublicitáriosmaiseficazes.

AAnálisedeClustershierárquicaaplicadaàscoordenadasdosindivíduosnasdimensõesretidassugere

oagrupamentodosindivíduos3grupos(Gráfico69).

Gráfico69:CoeficientesdefusãodaanálisedeClustersassociadaaosmeiosdepublicidademaiseficazes–métododovizinhomaisafastado

Ográficoanteriorconfirmaamanutençãodocritérioanterior,istoéadivisãodosdadosem3grupos.

Assim, e por via a enriquecer os resultados obtidos para compradores vs. Não compradores e por

género recorreu-se base nos scores de cada observação em cada dimensão, obtidos na análise anterior

utilizou-seométodok-meansdeformaaagruparcadaobservaçãoem3grupos,sendoquefoiobtidoqueo

grupo1seriacompostapor193individuos,ogrupo2por64individuoseogrupo3por143.

A partir deste clustering desenhou-se uma tabela de contigência por via a caracterizar o perfil dos

inquiridosnos3grupos identificados, tendo-se concluídoqueogrupo1é caracterizadopelos indivíduos

quetêmumaopiniãoformadasobreosmeiosdepublicidademaiseficazes,masqueporémnãovalorizam

bannersnemtelevisão/outros.

Os indivíduos do grupo 2 alegam desconhecimento dos meios de publicidade mais eficazes, não

considerandonenhumdosapresentadoscomoeficazes.

Já o terceiro grupo, também tem opinião formada sobre os meios publicitários mais relevantes,

considerandoqueosemailsdepublicidadesãoosmeiosmaiseficazes,contrastantocomosanúnciosno

Google/sapo/...,osbanners,asSMSetelevisão/outros.

0

20

40

60

80

100

120

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15


112

ApartirdaAnálisedeClustersnãohierárquicaK-meansépossívelcaracterizarosindivíduosdecadaum

dosgruposdaseguinteforma(Tabela60):

• Grupo1 (48%dos inquiridos): caracteriza-sepelos indivíduosqueconsideramosbanners ea

publicidadenofacebookcomoosmeiosdepublicidademaiseficazes;

• Grupo2(16%dosinquiridos):écompostopelosindivudosquepreferematelevisão/outrosface

atodososoutrosmeiospublicitários

• Grupo3(36%dosinquiridos):representaosindivíduosqueenaltecemosemailspublicitários.

Tabela60:Caracterizaçãodos3gruposidentificados,relativamenteaosmeiosdepublicidademaiseficazes,identificadospelosinquiridos.

Categoria Grupo1 Grupo2 Grupo3 Total

AnúnciosnoGoogle/Sapo/...

Não 50,0% 96,8% 85,1% 74,5%Sim 50,0% 3,2% 14,9% 25,5%

EmailspublicitáriosNão 100,0% 100,0% 0,0% 51,2%Sim 0,0% 0,0% 100,0% 48,8%

NãoseiNão 100,0% 4,8% 100,0% 85,0%Sim 0,0% 95,2% 0,0% 15,0%

BannersNão 84,5% 100,0% 94,4% 91,8%

Sim 15,5% 0,0% 5,6% 8,3%

SMSNão 66,2% 100,0% 73,3% 75,0%Sim 33,8% 0,0% 26,7% 25,0%

PublicidadenoFacebook

Não 41,5% 100,0% 73,8% 66,5%Sim 58,5% 0,0% 26,2% 33,5%

Televisão/OutrosNão 99,3% 95,2% 100,0% 99,0%Sim 0,7% 4,8% 0,0% 1,0%

SexoFeminino 59,2% 46,0% 61,0% 58,0%Masculino 40,8% 54,0% 39,0% 42,0%

Total 48% 16% 36% 100%



113


Deentreasvariáveisselecionadascombasenovalorabsolutovaloresdamatrizdeestrutura(anexo10),

verifica-sepelaestatísticaLambdadeWilksqueosconsumidoresestãobeminformadosrelativamenteaos

meiosdepublicidade,umavezqueavariável“nãosei”nãofoiselecionadaparaomodelo(Tabela61)

Tabela61:ModelofinaldeAnáliseDiscriminanteobtidoparaosmeiosdepublicidademaiseficazes,variáveldegrupo“Costumarealizarcomprasonline”


AnúnciosnoGoogle/Sapo/... .993 2.949 1 398 .087Emailspublicitários .975 10.142 1 398 .002Banners .979 8.578 1 398 .004SMS .995 1.832 1 398 .177PublicidadenoFacebook .980 7.929 1 398 .005Televisão/Outros .996 1.550 1 398 .214

Tabela62:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteobtidoparaosmeiosdepublicidademaiseficazes,variáveldegrupo“Costumarealizarcomprasonline”


Não Sim

AnúnciosnoGoogle/Sapo/... 14.902 14.478Emailspublicitários 13.607 14.303Banners 20.553 21.826SMS 15.142 14.638PublicidadenoFacebook 13.488 12.891Televisão/Outros 121.618 123.135(Constant) -110.561 -112.458


û”‘É§’ h = 14,902. ¨r r¶ó»«_π»»πƒ∞_«¨ù» + 13,607. ∞ñ¨óƒ«_ù √ƒó¶ó∆¨≠ó»« + 20,553. √¨rr∞≠«

+ 15,142. «ñ« + 13,488. ÿ √_Ÿ¨¶∞√»»{ + 121,618. ∆∞ƒ∞ßó«ã»/Ω ∆≠»« − 110,561

û‘É§’ h = 14,478. ¨r r¶ó»«_π»»πƒ∞_«¨ù» + 14,303. ∞ñ¨óƒ«_ù √ƒó¶ó∆¨≠ó»« + 21,826. √¨rr∞≠«

+ 14,638. «ñ« + 12,891. ÿ √_Ÿ¨¶∞√»»{ + 123,135. ∆∞ƒ∞ßó«ã»/Ω ∆≠»« − 112,458


114


temosquenãoexistemindíciosdediferençasrelevantesentreosmeiosdepublicidademaiseficazes

identificadospelosporcompradoresenãocompradores,confirmandoasorientaçõesdotestedeWilks.

Calculou-se,ainda,atravésdaclassificaçãoefetuadaprobabilidadedeumnovoelementodaamostra

pertenceraumdosdoisgrupos(compradoresounãocompradores),sendoque,comoépossívelverificar,

apenas46,8%dosnãocompradoressãobemclassificados,sendoque76,1%doscompradoressãobem

classificadosatravésdestemodelo.Destemodo,constata-sequeestemodeloapresentadeficiênciasna

classificaçãocorrectadosnãocompradores.

Tabela63:Probabilidadedeumnovoelementopertenceraogrupodoscompradores,atravésdomodeloobtidoparaosmeiosdepublicidademaiseficazes



TotalNão SimOriginal % Não 46.8 53.2 100.0

Sim 23.9 76.1 100.0



mesmo critério para escolhadas variáveis, variáveis, obtiveram-seos resultados apresentadosna Tabela

64.

Tabela64:ModelofinaldeAnáliseDiscriminanteobtidoparaosmeiosdepublicidademaiseficazes,variáveldegrupoosexo


Emailspublicitários .996 1.428 1 398 .233Banners .978 9.144 1 398 .003SMS .983 6.701 1 398 .010PublicidadenoFacebook .988 4.904 1 398 .027Televisão/Outros .995 1.805 1 398 .180Nãosei .993 2.713 1 398 .100


115

Tabela65:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaosmeiosdepublicidademaiseficazes,usandocomoVariáveldegrupo“Sexo”

Sexo

Feminino Masculino

Emailspublicitários 28.522 28.296Banners 36.585 37.549SMS 25.267 24.637PublicidadenoFacebook 29.499 28.942Televisão/Outros 141.963 143.036Nãosei 49.442 49.506(Constant) -177.262 -177.614


û¡¬§ h = 28,522. ∞ñ¨óƒ«_ù √ƒó¶ó∆á≠ó»« + 36,585. √¨rr∞≠« + 25,267. Õ⁄Õ

+ 29,499. ù √ƒó¶óô¨ô∞_À¨¶∞√»»{ + 141,963. ∆∞ƒ∞ßó«¨»_» ∆≠»« + 49,442. r¨»_«∞ó

− 177,262

ûÃÄÅÇ h = 28,296. ∞ñ¨óƒ«_ù √ƒó¶ó∆á≠ó»« + 37,549. √¨rr∞≠« + 24,637. Õ⁄Õ

+ 28,942. ù √ƒó¶óô¨ô∞_À¨¶∞√»»{ + 143,036. ∆∞ƒ∞ßó«¨»_» ∆≠»« + 49,506. r¨»_«∞ó

− 177,614


temos que não existem indícios de diferenças relevantes entre os meios de publicidade mais eficazes

identificadospelosdoisgéneros,confirmandoasorientaçõesdotestedeWilks.

Calculou-se, ainda, através da classificação efetuadaprobabilidadede umnovoelementoda amostra

pertencer a um dos dois grupos (homens oumlheres), sendo que, como é possível verificar, 61,6% dos

elementosdofexofemininosãobemclassificados,que63,7%doshomenssãobemclassificadosatravés

destemodelo.


116

Tabela66:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaosmeiosdepublicidademaiseficazes

Sexo



Masculino 36.3 63.7 100.0



Para construir um modelo de regressão logistica para a variável “Costuma realizar compras online”

considerandoosmeiosdepublicidadecomovariáveis independentes, introduziram-se todasosmeiosde

publicidade online em simultâneo e foi feita uma seleçãomanual das variáveisutilizando o indice œ.–.±

,

sendo que quanto menores forem os valores deste rácio, maior será a contribuição da variável para o

modelo. Utilizando este raciocínio, chegou-se ao seguintemodelo apresentado na Tabela 67, do qual é

possívelverificarqueosemailspublicitárioseosbannerssãofatorespotenciadordesercompradoronline. Tabela67:ModelodeRegressãoLogísticaobtidoparaosmeiosdepublicidademaiseficazes,usandocomo

variávelsuplementar“Costumarealizarcomprasonline”

B S.E.Õ. Œ.∑

Exp(B)

AnúnciosnoGoogle/Sapo

-.431 .245 0,568 .650

Emailspublicitários .647 .216 0,334 1.910

Banners 1.905 .532 0,279 6.717

SMS -.510 .240 0,471 .600

PublicidadenoFacebook

-.580 .220 0,379 .560

Para um ponto de corte de 0,70 obtemos um modelo com sensibilidade igual a 76,1% e uma

especificidadeiguala46,8%,istoésãoidentificadoscorretamente76,1%doscompradorese46,8%dosnão

compradores,concluindoqueomodeloajustacorretamente66,3%dos inquiridosoquerepresentauma

qualidaderazoaveldeajustamento.Omodeloencontradotemaindaumafracacapacidadediscriminativa

(AUC=0,664)..


117

Tabela68:ValoresprevistoscomoModelodeRegressãoLogísticaparaoscompradoresonlineemfunçãodosmeiosdepublicidadeonline,usandoopontodecorte0,70

Observed

Predicted

CostumarealizarcomprasOnline? Percentage

CorrectNão Sim


Não 52 59 46.8

Sim 69 220 76.1


a.Pontodecorte=.700

Gráfico70:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaosmeiosdepublicidademaiseficazes,usandocomovariávelsuplementar“Costumarealizarcomprasonline”

Atrávésdosvalores∑,podemosconstruirafunçãologisticaassociadaaomodeloobtido:ƒ»πó∆ Ø h = ∑t. ¨r r¶ó»«_r»_π»»πƒ∞_«¨ù»_…+ ∑á. ∞ñ¨óƒ«_ù √ƒó¶ó∆¨≠ó»« + ∑ö. √¨rr∞≠« + ∑—. Õ⁄Õ

+ ∑¤. ù √ƒó¶óô¨ô∞_r»_À¨¶∞√»»{

= −0.431. ¨r r¶ó»«_r»_π»»πƒ∞_«¨ù»_…+ 0,647. ∞ñ¨óƒ«_ù √ƒó¶ó∆¨≠ó»« + 1,905. √¨rr∞≠«− 0,510. Õ⁄Õ − 0,580. ù √ƒó¶óô¨ô∞_r»_À¨¶∞√»»{


118

Utilizandoumraciociniosemelhante,utilizou-searegressãologisitcaparamodelarosexoemfunção

dosmeiosdepublicidadeonlineidentificados,tendo-seobtidoomodelopresentenaTabela69,que

permitiuconcluirque:

• UmindivíduoqueprefiraosEmailspublicitáriostemquaseodobrodaspossibilidadesdeser

mulherdoquehomem;

• UmindivíduoqueprefiraSMStemmaisdodobrodaspossibilidadesdesermulherdoque

homem;

• UmindivíduoqueprefiraPublicidadenoFacebooktemquaseodobrodaspossibilidadesdeser

domulherdoquehomem;

Repetindoomesmoraciocínio,agoraparamodelarosexoemfunçãodosmeiosdepublicidademais

eficazes,épossivelverificarqueosemailspublicitários,asSMSeapublicidadenoFacebooksãofatores

definidoresdoselementosdosexofeminino.(Tabela69).

Tabela69:ModelodeRegressãoLogísticaobtidoparaosmeiospublicitáriosmaiseficazes,usandocomovariávelsuplementar“Costumarealizarcomprasonline”

B S.E.Õ. Œ.∑

Exp(B)

Emailspublicitários -.311 .209 0,672 .733

SMS -.732 .251 0,343 .481

PublicidadenoFacebook -.645 .228 0,353 .524

Constant 1.902 .588 0,309 6.697

Assim,aoutilizarmosumpontodecortede0,40obtemosummodelocomsensibilidadeiguala58,9%e

uma especificidade igual a 62,5%, isto é, são identificados corretamente 58,9% dos indivíduos do sexo

masculinoe62,5%dosindivíduosdosexofeminino,concluindoqueomodeloajustacorretamente61,0%

dosinquiridosoquerepresentaumaboaqualidadedeajustamento.Omodeloencontradotemaindauma

fracacapacidadediscriminativa(AUC=0,618).


119

Tabela70:ValoresprevistoscomoModelodeRegressãoLogísticaparaossexosemfunçãodosmeiosdepublicidadeonline,usandoopontodecorte0,40

Observed

Predicted





a.Pontodecorte=.400

Gráfico71:CurvaROCassociadoaoModelodeRegressãoLogísticaparaosexoemfunçãodosmeiosdepublicidademaiseficazes


ƒ»πó∆ Ø h = ∑s + ∑t. ∞ñ¨óƒ«_ù √ƒó¶ó∆¨≠ó»« + ∑á. Õ⁄Õ + ∑ö. ù √ƒó¶óô¨ô∞_r»_À¨¶∞√»»{

= 1,092 − 0,311. ∞ñ¨óƒ«_ù √ƒó¶ó∆¨≠ó»« − 0,732. Õ⁄Õ − 0,645. ù √ƒó¶óô¨ô∞_r»_À¨¶∞√»»{


120

PorviaacompararasvariáveiseconclusõesretiradasatravésdaAnálisedeCorrespondênciasmúltipla,

da função de Fisher resultante da Análise Discriminante e da Regressão Logisitica quando sujeitas ao

mesmo problema, segue a tabela resumo dos meios de publicidade mais eficazes identificadas por

compradores e não compradores e entre géneros entre os vários modelos utilizados (Tabela 71),

concluindo-sequequernaAnálisedeCorrespôndenciasMultiplas(ACM)queratravésdaFunçãodeFisher

resultantedaAnáliseDiscriminante(AD)conclui-sequenãoexistemdiferençasentrecompradoresenão

compradoreseentregénerosnoquedizrespeitoaosmeiospublicitáriosquemaisimpulsionamacompra

onlineidentificadaspelosindivíduosnaamostraemestudo.

NoquedizrespeitoàsvariáveisidentificadascomorelevantesnaAnáliseDiscriminante(AD)ena

RegressãoLogistica(RL),registou-seque:

• Todasasvariáveisescolhidas,paraADparaosgruposconstruídosporhomens/mulheres

tambémforamselecionadaseporcompradores/nãocompradores:

• Todasasvariáveisescolhidas,paraRLparaosgruposconstruídosporhomens/mulheres

tambémforamselecionadaseporcompradores/nãocompradores:

• TodasasvariáveisselecionadasparaaRLtambémforamselecionadasnomodelodeADquer

paraogrupodecompradores/nãocompradoresquerparahomens/mulheres;


121

Tabela71:TabelaresumodosmétodosutilizadosnaanálisedosmeiosdepublicidademaiseficazesemcomprarOnline


Homensvs.Mulheres

Existemindíciosde


Variáveis

diferenciadoras

Existemindíciosde

diferençasentreos

grupos?

Variáveis

diferenciadoras

Análisede

CorrespondênciasMúltiplasNão

Não



Não


• Banners

• Emails

publicitários

• Anúnciosno

Google/Sapo/...

• SMS

• Publicidadeno

Facebook

Sim

• Emails

publicitários

• SMS

• Publicidadeno

Facebook


122

5) ConsideraçõesFinais5.1) Limitaçõesdoestudo

Ao longodoestudoforamabordadasváriasvezesas limitações inerentesaoprocessodeamostragem

utilizadoparaarecolhadaamostra,limitandoesteosmétodosestatísticosautilizaraolongodoestudo:a

escolhademodosalternativosdeseleçãodevariáveis,anãoexploraçãodetodoopotencialdecadaum

dos métodos (por via da não validação de tudo o que são pressupostos probabilísticos) assim como a

validadedasconclusõesparaumgrupodeindivíduosdistintodaqueleemanálisenestetrabalho.

Acomparaçãoefetuadaentreosváriosmétodosestudadosmerece igualmentevalidaçãoemestudos

futuros,demodoa suplantareventuaisenviesamentospor viadaamostra.Aobtençãodeumaamostra

representativadouniversoPortuguêsétalvezomaiordesafionestetipodeestudos.Essaamostrapoderia

constituirumaexcelentebaseparafuturostrabalhoscapazesdecompreenderdeformamaisfidedignao

estadodaartedoe-commerceemPortugal.

Apesardeabordadasaolongodotrabalho,seráimportanteaprofundarmaisasquestõesdapublicidade

online,de formaacompreender-sequaisosmeiosdecomunicaçãodigitalondecada tipodeanunciante

deverá investir o seu orçamento e quais as estratégias mais eficazes para cada um destes meios de

comunicação.Estestópicossãodefactoimportantesparaummelhortrabalhonaangariaçãodeclientese

nocrescimentodotecidoempresarialportuguêsnomeioonline.

5.2) Conclusõessobreashipótesescolocadas

Deacordo comas análises efetuadas e os resultados obtidos (Capitulo 4) segue a tabela resumodas

conclusõesparacadaumadashipótesescolocadas(Secção3.1)naconstruçãodesteestudo.

Note-sequetodasasconclusõesobtidasdizemapenasrespeitoessencialmenteàamostraemestudo,

constituindo assim uma base para estudos futuros que compreendam um planeamento amostral mais

complexo,maisadaptadoecommenosrestriçõesdoqueorealizadonesteestudo.


123

Tabela72:Resumodosresultadosparaashipótesesdoestudo

Hipótese Conclusão1)Nãoexistemdiferençasentregénerosnoquedizrespeitoa

comprar(ounão)onlineHipótesevalidada

2)Existemdiferençasentreosprodutoscompradosporhomensepormulheres Hipótesevalidada

3)Existemdiferençasentreosserviçosquehomensemulheres

aderemonline Hipótesenãovalidada

4)Asinquiridasdosexofemininotemmaiortendênciaacomprarporimpulsorelativamenteaoshomens Hipótesenãovalidada

5)Existemdiferençasentreasvantagensdacompraonlineidentificadasporcompradoresenãocompradores Hipótesenãovalidada

6)Existemdiferençasentreasvantagensdacompraonlineidentificadasporhomensemulheres Hipótesenãovalidada

7)Existemdiferençasentreasdesvantagensdacompraonlineidentificadasporcompradoresenãocompradores Hipótesenãovalidada

8)Existemdiferençasentreasdesvantagensdacompraonlineidentificadasporhomensemulheres Hipótesenãovalidada

9)Existemdiferençasentreosmeiosdecomunicaçãodigitalpreferidosporhomensemulheres Hipótesenãovalidada

10)Existemdiferençasentreosmeiosdecomunicaçãodigitalpreferidosporcompradoresenãocompradores Hipótesenãovalidada

Paraalémdavalidaçãodestashipóteses,outrodosobjetivosdestetrabalhopassavapelatentativade

caracterizaroshábitosdeconsumodee-commerce.Nessesentido,ecombasenasanálisesefetuadas,foi

possíveldefinirem-seváriosperfisdeconsumojuntodosinquiridos.Umdosprimeirosresultadosobtidos

foiaconclusãodequeapenasexistiam5tiposdecompradoresonline:osgeneralistas,quecompramtodo

otipodeprodutosdiscriminadosnestetrabalho,eosquecompramoutrosprodutos(nãodiscriminados),

os que compram produtos relacionados com atividades e experiências, os que compram produtos

relacionados com moda e, finalmente, os que compram produtos relacionados com tecnologia e

audiovisual,sendoesteúltimogrupocompostonasuamaioriaporhomens.Concluiu-setambémquequem

comprabrinquedosouautomóveisonline,temumamuitomaiorpossibilidadedeserdosexomasculinodo


124

quedosexofeminino.

No que concerne aos serviços aderidos online, a esmagadora maioria (95%) já tem experiência na

adesãoatodootipodeserviçosnainternet,tendooshomensumamaiortendênciaparausarestemétodo

deadesão.Curiosamente,apenas1%desconhecequeépossíveladeriraestesserviçosonline.

Relativamenteaosnãocompradores,concluiu-sequeoprincipalmotivopelosquaisestesnãorealizam

comprasonlineénãopoderexperimentaroprodutoaovivo.

Identificaram-se tambémváriosperfisdecompradores relativamenteàsvantagenseàsdesvantagens

identificadasporestesrelativamenteàcompraonline.

Finalmenteestudaram-se tambémquaisosmeiosdepublicidadequeos inquiridos julgavamsermais

eficazes,tendo-seidentificadoumperfilcujosmembrosconsideramosemailsdepublicidadecomoomeio

maiseficaz,outroperfildeindivíduosquevalorizamaisanúnciostelevisivosououtrosmeiospublicitáriose

umúltimoperfildeindivíduosquepreferemmeiosdepublicidademaisdirigidosaosseusinteresses,como

éocasodosbannersedapublicidadenoFacebook.

No que diz respeito às comparações feitas entre a Análise de Correspondências Múltiplas (ACM), a

AnáliseDiscriminante(AD)eaRegressãoLogística(RL),notou-seque,deummodogeral,existemalgumas

diferençasnasconclusõesobtidasatravésdosváriosmétodos.EnquantonaACMaprocuradediferenças

entre grupos concretos de indivíduos é feita de uma forma “passiva”, na AD e na RL todo omodelo é

construído jánessaperspetiva.Apesardisso,asconclusõesdaACMcoincidemcomasconclusõesdaAD,

enquantoaRLsemostroucomplementaraestesmétodosaoajudarnaquantificaçãodasdiferençasentre

osgruposemestudo.


125

Bibliografia ACEPI(2010).RelatórioEvolutivodoBarómetrodoComércioElectrónicoemPortugal(1ºTrimestre2010).ANACOM (2004).OComércioElectrónicoemPortugal –OQuadro Legal eoNegócio, Lisboa:AutoridadeNacionaldeComunicações.Benzécri,J.(1982).HistoireetPréhistoiredeL’AnalysedesDonnées.Paris:Dunod.Benzécri,J.(1984).L’AnalysedesDonnées(2Vol.).Paris:Dunod.Bhanji,H.(2010).OImpactodaAplicaçãodoe-commercenumWebsite–OCasodaSamsungElectrónicaPortuguesa.DissertaçãodeMestradoemGestão,ISCTE-IUL.Cabral, C. (2011). Publicidadena Internet –Análise Comparativa da Publicidadenos sites de três JornaisOnline m Cabo Verde. Monografia apresentada para obtenção do grau de Licenciatura em Ciências daComunicação,variantePublicidade.UniversidadeJeanPiagetdeCaboVerde.Cabrita, D. (2012). Métodos multivariados para variáveis qualitativas: aplicação ao estudo de variáveisassociadascomaavaliaçãonadisciplinadeMatemáticadeumaescoladoEnsinoBásiconoConcelhodeVila Nova de Gaia. Tese de Mestrado em Estatística, Matemática e Computação, Especialidade emEstatísticaComputacional.UniversidadeAberta.Carvalho,H.(2008).AnáliseMultivariadadeDadosQualitativos–UtilizaçãodaAnálisedeCorrespondênciasMúltiplascomoSPSS.Lisboa:EdiçõesSílabo.Castro,C.(2012).ComportamentodoConsumidor:ProcuradeInformaçãoeIntençãodeCompraOnlinedeSeguroAutomóvel–AplicaçãoemPortugal.DissertaçãodeDoutoramentoemGestãoEmpresarialAplicada,ISCTEBusinessSchool.Cheung, C., Zhu, L., Kwong, T., Chan,G., Limayem,M. (2003).Online Consumer Behavior: A Review andAgendaforFutureResearch.16thBledeCommerceConferenceeTransformation.Coleman, J. (1958). Relational analysis: The study of social organizations with survey methods. HumanOrganization,17,28–36.ComissãoEuropeia(2009).Europe’sDigitalCompetitivenessReport.ICTCountryProfiles.Vol.II.Conover,W.J.(1999).PracticalNonparametricStatistics.3ªEdição.Wiley.Crivisqui,E.(1999).PRESTA–ProgrammedeRechercheetd’EnseignementenStatistiqueApliquée.Faugier, J., e Sargeant,M. (1997). Samplinghard to reachpopulations. Journal ofAdvancedNursing, 26,790–797.


126

Ferreira,J.(2013).E-commerceeGénero:AnálisedasPercepçõesdeCompradoConsumidor.DissertaçãodeMestradoemMarketing.UniversidadedeLisboa,InstitutoSuperiordeEconomiaeGestão.Goodman,L.(1961).SnowballSampling.TheAnnalsofMathematicalStatistics,32(1),148-170.Hill,M.,eHill,A.(2002).InvestigaçãoporQuestionário.Lisboa:EdiçõesSílabo.Hoz,A.(1985).InvestigaciónEducativa:DicionárioCiênciasdaEducação.Madrid:EdicionesAnaya,S.A.Lima, F. (2012). O Comércio Electrónico e as Plataformas B2C e C2C: contribuições para o estudo docomportamento do consumidor online. Dissertação de Mestrado em Publicidade e Marketing, InstitutoPolitécnicodeLisboa,EscolaSuperiordeComunicaçãoSocial.Lopes,A.(2014).Umestudosobreaspreferênciasdosconsumidoresemmercadosdigitaisetradicionais.Dissertação deMestrado emMarketing Digital. Instituto Superior de Contabilidade e Administração doPorto,InstitutoPolitécnicodoPorto.Maroco,J.(2007).AnáliseEstatísticacomUtilizaçãodoSPSS.Lisboa:EdiçõesSílabo.Nordeste, R. (2009). Publicidade online das empresas: estratégias actuais. Dissertação para obtenção dograu de Mestre em Comunicação Multimédia. Departamento de Comunicação e Arte, Universidade deAveiro.Pestana,M.,eGageiro,J.(2008).AnálisedeDadosparaCiênciasSociais–AComplementaridadedoSPSS.Lisboa:EdiçõesSílabo.Ratner (2010), Variable selection methods in regression: Ignorable problem, outing notable solution,JournalofTargeting,MeasurementandAnalysisforMarketing18,65–75Reis,E.(1997).EstatísticaMultivariadaAplicada.Lisboa:EdiçõesSílabo.Santos, N. (2011). Privacidade e o Comportamento do Consumidor Online – UmModelo Explicativo daIntenção de Utilizar o Comércio Electrónico. Tese submetida como requisito parcial para a obtenção dograudeDoutoremGestão,EspecialidadeemMarketing.DepartamentodeMarketing,OperaçõeseGestãoGeral,ISCTE–IUL.Saraiva, C. (2012). Determinantes do Comportamento de Compra Online. Dissertação de Mestrado emPublicidadeeMarketing,InstitutoPolitécnicodeLisboa,EscolaSuperiordeComunicaçãoSocial.Spreen,M.(1992).Rarepopulations,hiddenpopulationsandlink-tracingdesigns—Whatandwhy?.BulletinMethodologieSociologique,36,p.34-58.Thomson (2009),The Importance of Structure Coefficients in Structural EquationModeling ConfirmatoryFactorAnalysis,InterdisciplinaryApplications.


127

Turban, E., King, D., McKay, J., Marshall, P., Lee, J. e Viehland, D. (2008). Electronic Commerce: AManagerialPerspective.UpperSaddleRiver:Pearson.Vicente,P.,Reis,E.,eFerrão,F.(2001).Sondagens–Aamostragemcomofactordecisivodequalidade.2ªEdição.EdiçõesSílabo.Zhou,L.;Dai,L.Zhang.D.(2007).OnlineShoppingAcceptanceModel:acriticalsurveyofconsumerfactorsinonlineshopping.JournalofElectronicCommerceResearch,8(1),41-62.


128

Anexos


129

Anexo1–Questionário


130


131


132


133

Anexo2–OutputscomplementaresdaACMdosprodutoscompradosonline

TabelaA.1:MedidasdediscriminaçãoparaomodelodeACMdosprodutoscompradosonline


134

Anexo3–OutputscomplementaresdaACMdosserviçosaderidosonline

TabelaA.2:MedidasdediscriminaçãoparaomodelodeACMdosserviçosonline

Telecomunicações

Entregade

comprasemcasa

ouRefeiçõesao

Domicilio

Gás,Àguaou

Electricidade

Mudançade

casa

Nenhum,

desconheçoesta

possibilidade Sexo

Telecomunicações 1.000 .102 .377 .202 .101 .218

Entregadecomprasem

casaouRefeiçõesao

Domicilio.102 1.000 .171 .187 .067 .007

Gás,Àguaou

Electricidade.377 .171 1.000 .066 .081 .143

Mudançadecasa.202 .187 .066 1.000 .020 .092

Nenhum,desconheço

estapossibilidade .101 .067 .081 .020 1.000 .033

Sexoa .218 .007 .143 .092 .033 1.000

Dimension 1 2 3 4 5

Eigenvalueb 1.602 1.012 .959 .852 .575


135

Anexo4–OutputscomplementaresdaADdosserviçosaderidosonline

TabelaA.3:ModelodeADdosexoemfunçãodosserviçosaderidosonline Wilks'Lambda F df1 df2 Sig.

Telecomunicações .953 14.300 1 287 .000EntregadecomprasemcasaouRefeiçõesaoDomicilio

1.000 .013 1 287 .909

Gás,ÀguaouElectricidade .979 6.024 1 287 .015Mudançadecasa .991 2.476 1 287 .117Nenhum,desconheçoestapossibilidade .999 .314 1 287 .575

TabelaA.4:MatrizdeestruturadomodelodeADdosexoemfunçãodosserviçosaderidosonline

Function

1

Telecomunicações .919Gás,ÀguaouElectricidade .597Mudançadecasa .383Nenhum,desconheçoestapossibilidade -.136EntregadecomprasemcasaouRefeiçõesaoDomicilio .028


136

Anexo5–OutputscomplementaresdaACMdasvantagensdacompraonline

TabelaA.5:MedidasdediscriminaçãoparaomodelodeACMdasvantagensdacompraonline

DimensionCronbach's

Alpha

VarianceAccountedFor

Total(Eigenvalue) Inertia %ofVariance

1 .243 1.269 .159 15.8682 .149 1.149 .144 14.3693 .081 1.077 .135 13.4574 .055 1.051 .131 13.1375 -.019 .984 .123 12.2996 -.031 .973 .122 12.1657 -.259 .815 .102 10.1938 -.536 .681 .085 8.511Total 8.000 1.000 Mean .000a 1.000 .125 12.500

a.MeanCronbach'sAlphaisbasedonthemeanEigenvalue.


137

Anexo6–OutputscomplementaresdaADdasvantagensdacompraonline

TabelaA.6:ModelodeADdoscompradoresemfunçãodasvantagensdacompraonline Wilks'Lambda F df1 df2 Sig.

Nãoserinfluenciadoporumvendedor .995 2.129 1 398 .145Podervereanalisarcomentáriosdeixadosporclientesanteriores

.979 8.552 1 398 .004

Tervantagens/promoçõesexclusivas 1.000 .010 1 398 .919Variedadedeescolha .998 .906 1 398 .342Outros 1.000 .015 1 398 .902NenhumaNaosei .996 1.550 1 398 .214Comodidade .995 1.943 1 398 .164Novidades .996 1.595 1 398 .207

TabelaA.7:MatrizdeestruturadomodelodeADdoscompradoresemfunçãodasvantagensdacompra

online

Function

1

Podervereanalisarcomentáriosdeixadosporclientesanteriores -.734Nãoserinfluenciadoporumvendedor .366Comodidade .350Novidades .317NenhumaNaosei -.313Variedadedeescolha .239Outros -.031Tervantagens/promoçõesexclusivas -.026


138

TabelaA.8:ModelodeADdosexoemfunçãodasvantagensdacompraonline Wilks'Lambda F df1 df2 Sig.

Nãoserinfluenciadoporumvendedor 1.000 .021 1 398 .885Podervereanalisarcomentáriosdeixadosporclientesanteriores

.967 13.545 1 398 .000

Tervantagens/promoçõesexclusivas .996 1.418 1 398 .234Variedadedeescolha 1.000 .031 1 398 .861Outros .995 1.805 1 398 .180NenhumaNaosei 1.000 .106 1 398 .745Comodidade .995 1.886 1 398 .170Novidades .997 1.153 1 398 .284

TabelaA.9:MatrizdeestruturadomodelodeADdosexoemfunçãodasvantagensdacompraonline

Function

1

Podervereanalisarcomentáriosdei1adosporclientesanteriores .820Comodidade -.306Outros .300Tervantagens/promoçõese1clusivas -.265Novidades -.239NenhumaNaosei .072Variedadedeescolha .039Nãoserinfluenciadoporumvendedor .032


139

Anexo7–OutputscomplementaresdaACMdasdesvantagensdacompraonline

TabelaA.10:MedidasdediscriminaçãoparaomodelodeACMdasdesvantagensdacompraonline

DimensionCronbach's

Alpha



1 .285 1.339 .149 14.8822 .264 1.306 .145 14.5163 .183 1.195 .133 13.2734 .168 1.175 .131 13.0595 .073 1.069 .119 11.8826 .049 1.046 .116 11.6217 -.060 .949 .105 10.5458 -.209 .843 .094 9.3719 -13.564 .077 .009 .851Total 9.000 1.000 Mean .000a 1.000 .111 11.111


140

Anexo8–OutputscomplementaresdaADdasdesvantagensdacompraonline

TabelaA.11:ModelodeADdoscompradoresemfunçãodasdesvantagensdacompraonline Wilks'Lambda F df1 df2 Sig.

Nãoexperimentaroproduto .999 .552 1 398 .458PortesdeEnvio .961 16.275 1 398 .000Produtoserextraviadoouestarestragado 1.000 .115 1 398 .735Enviodoprodutoerrado

1.000 .087 1 398 .768

Métododepagamento .993 2.867 1 398 .091Segurança .990 3.963 1 398 .047Prazodeentrega .975 10.142 1 398 .002Faltadeapoionopréepós-venda .999 .481 1 398 .489Nenhuma/Nãosei .997 1.278 1 398 .259

TabelaA.12:MatrizdeestruturadomodelodeADdoscompradoresemfunçãodasdesvantagensda

compraonline

Function

1

PortesdeEnvio .640Prazodeentrega .505Segurança -.316Métododepagamento -.269Nenhuma/Nãosei -.179Nãoexperimentaroproduto -.118Faltadeapoionopréepós-venda .110Produtoserextraviadoouestarestragado -.054Enviodoprodutoerrado .047


141

TabelaA.13:ModelodeADdosexoemfunçãodasdesvantagensdacompraonline


Nãoexperimentaroproduto .995 1.865 1 398 .173PortesdeEnvio .999 .432 1 398 .511Produtoserextraviadoouestarestragado .978 9.066 1 398 .003Enviodoprodutoerrado 1.000 .000 1 398 1.000Métododepagamento .994 2.307 1 398 .130Segurança .999 .260 1 398 .611Prazodeentrega .985 5.974 1 398 .015Faltadeapoionopréepós-venda 1.000 .069 1 398 .793Nenhuma/Nãosei .996 1.477 1 398 .225

TabelaA.14:MatrizdeestruturadomodelodeADdosexoemfunçãodasdesvantagensdacompra

online

Function

1

Produtoserextraviadoouestarestragado .612Prazodeentrega .496Métododepagamento -.309Nãoexperimentaroproduto -.277Nenhuma/Nãosei -.247PortesdeEnvio -.133Segurança .104Faltadeapoionopréepós-venda .053Enviodoprodutoerrado .000


142

Anexo9–OutputscomplementaresdaACMdosmeiosdepublicidademaiseficazesTabelaA.15:MedidasdediscriminaçãoparaomodelodeACMdosmeiosdepublicidademaiseficazes

DimensionCronbach's

Alpha



1 .400 1.523 .218 21.7502 .324 1.385 .198 19.7853 .090 1.084 .155 15.4874 .021 1.018 .145 14.5465 -.065 .947 .135 13.5286 -.120 .907 .130 12.9567 -7.393 .136 .019 1.947Total 7.000 1.000 Mean .000a 1.000 .143 14.286

a.MeanCronbach'sAlphaisbasedonthemeanEigenvalue.


143

Anexo10–OutputscomplementaresdaADdosmeiosdepublicidademaiseficazes

TabelaA.16:ModelodeADdoscompradoresemfunçãodosmeiosdepublicidademaiseficazes



.993 2.949 1 398 .087

Emailspublicitários

.975 10.142 1 398 .002

Nãosei 1.000 .177 1 398 .674Banners .979 8.578 1 398 .004SMS .995 1.832 1 398 .177PublicidadenoFacebook

.980 7.929 1 398 .005

Televisão/Outros .996 1.550 1 398 .214

TabelaA.17:MatrizdeestruturadomodelodeADdoscompradoresemfunçãodosmeiosde

publicidademaiseficazes

Function

1


-.551

Banners -.507PublicidadenoFacebook

.487


.297

SMS .234Televisão/Outros -.215Nãosei .073


144

TabelaA.18:ModelodeADdosexoemfunçãodasdosmeiosdepublicidademaiseficazes Wilks'Lambda F df1 df2 Sig.


.999 .537 1 398 .464


.996 1.428 1 398 .233

Banners .978 9.144 1 398 .003SMS .983 6.701 1 398 .010PublicidadenoFacebook

.988 4.904 1 398 .027

Televisão/Outros .995 1.805 1 398 .180Nãosei .993 2.713 1 398 .100

TabelaA.19:MatrizdeestruturadomodelodeADdosexoemfunçãodosmeiosdepublicidademais

eficazes

Function

1

Banners -.622SMS .532PublicidadenoFacebook

.455

Nãosei -.339Televisão/Outros -.276Emailspublicitários

.246


-.151

joão filipe de souta neiva machado · 2016. 1. 18. · pelo processo de amostragem em bola de...

Documents