o uso de técnicas quantitativas em crm: uma aplicação no ... · À minha família,...

O USO DE TÉCNICAS QUANTITATIVAS EM CRM: uma aplicação no varejo

brasileiro.

João Marcelo Leal Gomes Leite

Universidade Federal do Rio de Janeiro

Instituto COPPEAD de Administração

Mestre em Administração

Orientador: Eduardo Saliby, Ph.D.

Rio de Janeiro, RJ - Brasil

2001

ii

O USO DE TÉCNICAS QUANTITATIVAS EM CRM: uma aplicação

no varejo brasileiro.

João Marcelo Leal Gomes Leite

Dissertação submetida ao corpo docente do Instituto de Pós-Graduação e

Pesquisa em Administração da Universidade Federal do Rio de Janeiro –

COPPEAD/UFRJ, como parte dos requisitos necessários à obtenção do grau

de Mestre em Ciências em Administração.

Aprovada por:

Prof. ______________________________________ - Orientador

Eduardo Saliby - Ph.D. University of Lancaster

Prof. ______________________________________

Letícia Moreira Casotti - D.Sc. UFRJ

Prof. ______________________________________

Monica Barros - D.Sc. PUC-Rio

Rio de Janeiro

Dezembro/2001

iii

Leite, João Marcelo Leal Gomes.

O uso de técnicas quantitativas em CRM: uma

aplicação no varejo brasileiro/ João Marcelo Leal Gomes

Leite. Rio de Janeiro: UFRJ/COPPEAD, 2001.

xvii, 148 p. ; il.

Dissertação (Mestrado) – Universidade Federal do Rio

de Janeiro, COPPEAD, 2001. Orientador: Eduardo Saliby.

1. CRM. 2. Relacionamento com clientes. 3. Tese

(Mestr. UFRJ/COPPEAD). 4. Saliby, Eduardo, orient. I.

Título.

iv

DEDICATÓRIA

À minha família, principalmente meu pai, minha mãe, minha irmã, minha

madrinha, minha avó e minha Ná. Por estarem sempre ao meu lado nestes

anos todos de estudo.

À COPPEAD (professores e funcionários), por me proporcionarem estes dois

anos de conhecimento.

Ao meu orientador e amigo, Eduardo Saliby, por esta dissertação e por tudo

o que fez por mim.

À minha banca, Letícia e Monica, pela disponibilidade e paciência.

v

RESUMO

LEITE, João Marcelo Leal Gomes. O uso de técnicas quantitativas em CRM:

uma aplicação no varejo brasileiro.. Orientador: Eduardo Saliby. Rio de Janeiro:

UFRJ/COPPEAD; 2001. Dissertação (Mestrado em Administração).

Com o advento do CRM (Customer Relationship Management) muitas

empresas passaram a compreender a importância da construção de um

relacionamento com os seus clientes e começaram uma busca desenfreada

por informações sobre eles. Entretanto, a extração do conhecimento muitas

vezes parece uma tarefa difícil, quase impossível. Esta dissertação tem por

objetivo ressaltar a importância do CRM e mostrar que a obtenção de

informações sobre os clientes é uma tarefa mais simples do que aparenta.

Utilizando o exemplo de uma rede de hipermercados, mostra-se que, com a

construção de um banco de dados com as compras dos clientes e a utilização

de técnicas estatísticas simples, é possível extrair bastante conhecimento

relevante sobre os clientes. Este conhecimento estimula ainda mais a obtenção

de novas informações, mas já é o suficiente para, se for bem aplicado, trazer

uma importante vantagem competitiva para a empresa neste mundo tão

competitivo.

vi

ABSTRACT

LEITE, João Marcelo Leal Gomes. O uso de técnicas quantitativas em CRM:

uma aplicação no varejo brasileiro.. Orientador: Eduardo Saliby. Rio de Janeiro:

UFRJ/COPPEAD; 2001. Dissertação (Mestrado em Administração).

With the coming of CRM (Customer Relationship Management) a lot of

companies started to understand the importance of the construction of a

relationship with their clients and they began a wild search for information on

them. However, the exploration of the knowledge many times it seems a task

difficult, almost impossible. This dissertation has for objective to emphasize the

importance of CRM and to show that the obtaining of information on the clients

is a simpler task than it looks. Using the example of a hypermarket company, it

is shown that, with the construction of a database system with the clie nts'

purchases and the use of simple statistical techniques, it is possible to extract

plenty relevant knowledge on the clients. This knowledge still stimulates more

the obtaining of new information, but it is already enough for, if it goes very

applied, to bring an important competitive advantage for the company in such

competitive world.

vii

LISTA DE FIGURAS

Figura 1 Processo de extração de conhecimento .......................................... 41

Figura 2 Visão holística do processo data mining .......................................... 41

Figura 3 Arquitetura do data warehouse .......................................................... 47

Figura 4 Mapeamento das classes segundo a SOM (branco para

compradores, preto para não compradores e tons de cinza para

classes não bem definidas) ................................................................ 60

Figura 5 Posicionamento dos 5 super-clusters no mapa da SOM............... 62

viii

LISTA DE GRÁFICOS

Gráfico 1 Percentual acumulativo dos clientes versus o percentual

acumulativo de abandono ................................................................... 55

Gráfico 2 Posicionamento dos clusters quanto as variáveis RM ................... 57

Gráfico 3 Qualidade versus número de clusters .............................................. 61

Gráfico 4 Segmento supermercado x Total auto-serviço - número de lojas

(em mil) .................................................................................................. 68

Gráfico 5 Evolução da participação de lojas supermercados no faturamento

total do setor de auto-serviços (em %) ............................................. 69

Gráfico 6 Histograma e P-P Plot do Valor das compras. ................................ 81

Gráfico 7 Histograma e P-P Plot do Número de dias entre compras. .......... 83

Gráfico 8 Gráfico de dispersão entre o Número de dias entre compras e o

Valor das compras. .............................................................................. 84

Gráfico 9 Gráfico de barras do número total, média e valor total de compras

em relação ao mês do ano. ................................................................ 86

Gráfico 10 Número total, média e valor total de compras ao longo dos dias do

ano. ......................................................................................................... 88

Gráfico 11 Função de auto-correlação do número total, média e valor total de

compras ao longo dos dias do ano. .................................................. 89


em relação ao dia do mês. ................................................................. 91

Gráfico 13 Gráfico de barras do número de dias desde a última compra em

relação ao dia do mês. ........................................................................ 91

ix

Gráfico 14 Histograma e P-P Plot do valor das compras para as quinzenas.93


em relação à quinzena. ....................................................................... 94

Gráfico 16 Gráfico de barras do número diário de compras conforme a

quinzena. ............................................................................................... 95

Gráfico 17 Gráfico de barras do valor médio diário das compras conforme a

quinzena. ............................................................................................... 96

Gráfico 18 Gráfico de barras do valor total diário das compras conforme a

quinzena. ............................................................................................... 97

Gráfico 19 Gráfico de barras do número de dias entre compras conforme a

quinzena. ............................................................................................... 98

Gráfico 20 Histograma do Número de dias entre compras para as quinzenas.99

Gráfico 21 Gráfico de barras do coeficiente de variação das compras em

relação ao dia da semana. ............................................................... 101


em relação ao dia da semana. ......................................................... 102

Gráfico 23 Gráfico de barras do número médio diário de compras em função

do dia da semana............................................................................... 103

Gráfico 24 Gráfico de barras do valor diário médio por compra em função do

dia da semana. ................................................................................... 104

Gráfico 25 Gráfico de barras do valor diário total de compras em função do

dia da semana. ................................................................................... 106

Gráfico 26 Gráfico de barras do número de dias entre compras conforme o

dia da semana. ................................................................................... 108

Gráfico 27 Histograma do Número de dias entre compras para as quinzenas.109

x

Gráfico 28 Gráfico de barras com o dia da semana da compra anterior

conforme o dia da semana. .............................................................. 110


por loja. ................................................................................................ 112

Gráfico 30 Gráfico de barras do número de dias entre compras por loja. ... 113

Gráfico 31 Gráfico de barras com o número de clientes e a média do número

de compras por cliente para cada loja. ........................................... 113

Gráfico 32 Evolução do número total, média e valor total de compras por loja

ao longo dos meses do ano. ............................................................ 114

Gráfico 33 Gráfico de barras com o número total e o valor médio das

compras por dia da semana para cada loja................................... 114

Gráfico 34 Gráfico de barras com o número médio de dias entre compras por

loja. ....................................................................................................... 115

Gráfico 35 Comparação entre o número de compras e o seu valor médio

entre as duas principais lojas em função da quinzena e do dia da

semana. ............................................................................................... 116

Gráfico 36 Histograma do Número de compras por cliente............................ 119

Gráfico 37 Gráfico de Pareto para o número de compras. ............................. 119

Gráfico 38 Histograma e P-P Plot do Valor médio das compras por cliente.121

Gráfico 39 Histograma e P-P Plot do Valor total das compras por cliente... 122

Gráfico 40 Gráfico de Pareto para o valor total das compras ........................ 122

Gráfico 41 Gráfico de barras do número, média e valor total de compras

conforme a segmentação por quinzena. ........................................ 126


conforme a segmentação por número de dias da semana. ........ 129

xi


conforme a segmentação por loja. .................................................. 134

xii

LISTA DE TABELAS

Tabela 1 Resultado final da segmentação de clientes ................................... 58

Tabela 2 Descrição e atributos dos 5 fatores selecionados .......................... 59

Tabela 3 O auto serviço alimentar brasileiro .................................................... 67

Tabela 4 Síntese do resultados - 1999 ............................................................. 67

Tabela 5 Mapa das análises. .............................................................................. 78

Tabela 6 Estatísticas descritivas e percentis do Valor das compras. .......... 80

Tabela 7 Teste Kolmogorov-Smirnov. ............................................................... 81

Tabela 8 Estatísticas descritivas e percentis do Número de dias entre

compras. ................................................................................................ 82

Tabela 9 Estatísticas descritivas do Valor das compras para os diferentes

meses do ano. ...................................................................................... 85

Tabela 10 Percentis do Valor das compras para os diferentes meses do ano.87

Tabela 11 Estatísticas descritivas e percentis do Valor das compras para as

quinzenas. ............................................................................................. 92

Tabela 12 Estatísticas descritivas e percentis do número diário de compras

para as quinzenas. ............................................................................... 94

Tabela 13 Estatísticas descritivas e percentis do valor médio diário das

compras para as quinzenas. .............................................................. 96

Tabela 14 Estatísticas descritivas e percentis do valor total diário das


Tabela 15 Estatísticas descritivas e percentis do número de dias entre


xiii

Tabela 16 Estatísticas descritivas do valor das compras para os dias da

semana. ............................................................................................... 100

Tabela 17 Percentis do valor das compras para os dias da semana........... 101

Tabela 18 Percentis do número médio diário de compras para os dias da

semana. ............................................................................................... 102

Tabela 19 Estatísticas descritivas do número médio diário de compras para

os dias da semana. ............................................................................ 103

Tabela 20 Estatísticas descritivas do valor diário médio por compra para os

dias da semana. ................................................................................. 104

Tabela 21 Percentis do valor diário médio por compra para os dias da

semana. ............................................................................................... 104

Tabela 22 Estatísticas descritivas do valor diário total de compras para os

dias da semana. ................................................................................. 105

Tabela 23 Percentis do valor diário total de compras para os dias da

semana. ............................................................................................... 105

Tabela 24 Estatísticas descritivas do número de dias entre compras para os

dias da semana. ................................................................................. 107

Tabela 25 Percentis do número de dias entre compras para os dias da

semana. ............................................................................................... 108

Tabela 26 Estatísticas descritivas e percentis do Número de compras por

cliente. .................................................................................................. 118

Tabela 27 Estatísticas descritivas e percentis do Valor médio das compras

por cliente. ........................................................................................... 120

Tabela 28 Estatísticas descritivas e percentis do Valor total das compras por

cliente. .................................................................................................. 121

Tabela 29 Regressão Número de compras por cliente x Valor médio das

compras por cliente............................................................................ 123

xiv

Tabela 30 Estatísticas descritivas e percentis do número de compras


Tabela 31 Estatísticas descritivas e percentis do valor médio das compras


Tabela 32 Estatísticas descritivas e percentis do valor total das compras




Tabela 34 Estatísticas descritivas e percentis do valor médio das compras


Tabela 35 Estatísticas descritivas e percentis do valor total das compras


Tabela 36 Estatísticas descritivas do número de compras conforme a

segmentação por loja. ....................................................................... 130

Tabela 37 Percentis do número de compras conforme a segmentação por

loja. ....................................................................................................... 131

Tabela 38 Estatísticas descritivas do valor médio das compras conforme a


Tabela 39 Percentis do valor médio das compras conforme a segmentação

por loja. ................................................................................................ 132

Tabela 40 Estatísticas descritivas do valor total das compras conforme a


Tabela 41 Percentis do valor total das compras conforme a segmentação por

loja. ....................................................................................................... 133

xv

SUMÁRIO

CAPÍTULO I O PROBLEMA ................................................................................... 1

I.1. Introdução e pergunta ................................................................................ 1

I.2. Objetivos ........................................................................................................ 2

I.3. Relevância ..................................................................................................... 2

I.4. Delimitação .................................................................................................... 3

I.5. Definição dos termos.................................................................................. 4

CAPÍTULO II REVISÃO DE LITERATURA ........................................................... 5

II.1. Customer Relationship Management (CRM) ........................................ 5

II.1.1. Definição de Customer Relationship Management (CRM) 5

II.1.2. Vantagens do CRM 7

II.1.3. Vantagens da fidelização 8

II.1.4. Como implementar o CRM 11

II.1.5. Cálculo do valor de um cliente 16

II.1.6. Criação de valor para os clientes 19

II.1.7. O papel das novas tecnologias 23

II.2. Extração do Conhecimento..................................................................... 27

II.2.1. O papel dos bancos de dados (database marketing) 27

II.2.2. Definição de Data Mining 33

II.2.3. Benefícios do Data Mining 35

II.2.4. Implementação e etapas do Data Mining 39

II.2.5. Data Warehouse 46

II.2.6. Objetivos,aplicações e técnicas de Data Mining 49

xvi

II.3. Aplicações reais de técnicas de extração de conhecimento ........ 54

II.3.1. Descoberta do perfil dos clientes que não renovam o contrato em

uma empresa de telefonia celular 54

II.3.2. Segmentação de clientes de um shopping duty-free 55

II.3.3. Segmentação e detecção do perfil de compradores on-line 59

II.3.4. Outros exemplos 63

II.4. Fidelização e o varejo ............................................................................... 64

II.4.1. Relacionamento com clientes no varejo 64

II.4.2. Oportunidades do comércio on-line 65

II.4.3. Uma breve descrição do mercado varejista brasileiro 66

II.4.4. Exemplos de aplicação do CRM no mercado varejista brasi leiro 70

CAPÍTULO III METODOLOGIA .............................................................................. 73

III.1. Tipo de pesquisa........................................................................................ 73

III.2. Universo e amostra ................................................................................... 74

III.3. Coleta de dados ......................................................................................... 75

III.4. Tratamento dos dados ............................................................................. 75

III.5. Limitações do método .............................................................................. 77

CAPÍTULO IV ANÁLISES DESCRITIVAS ............................................................ 78

IV.1. Análise das compras ................................................................................ 79

IV.1.1. Análise geral de todas as compras 79

IV.1.2. Análise da evolução das compras ao longo do tempo 84

IV.1.3. Análise dos padrões sazonais de compras 89

IV.1.4. Análise por loja 111

IV.2. Análise dos clientes ................................................................................117

IV.2.1. Análise geral de todos os clientes 117

xvii

IV.2.2. Segmentação por período do mês 123

IV.2.3. Segmentação por número de dias da semana 127

IV.2.4. Segmentação por loja 130

CAPÍTULO V CONCLUSÃO.................................................................................135

V.1. A importância do CRM ...........................................................................135

V.2. Resultados e conclusões da análise dos dados.............................137

V.3. Sugestão para estudos futuros ...........................................................141

REFERÊNCIAS BIBLIOGRÁFICAS ......................................................................144

CAPÍTULO I O PROBLEMA

I.1. INTRODUÇÃO E PERGUNTA

Com o crescimento das empresas multinacionais e com o avanço da

globalização mundial, os mercados estão se tornando mais competitivos. Está

cada vez mais difícil para as firmas se diferenciarem de seus concorrentes e

manter a fidelidade de seus clientes. Uma das alternativas para enfrentar este

cenário é o desenvolvimento de meios de comunicação mais eficientes entre a

empresa, seus clientes e o mercado de consumidores em potencial. A sigla

CRM, Customer Relationship Management, surgiu exatamente para dar nome

a esta prática da administração que visa um maior relacionamento entre

empresas e seus clientes.

Entre as técnicas mais utilizadas para promover o CRM encontra-se a

utilização de bancos de dados com informações sobre os atuais clientes.

Através destes bancos de dados, é possível:

a. Descobrir quais são os seus clientes mais lucrativos e quais são os que

não trazem lucro para a empresa;

b. Conhecer melhor o perfil destes clientes lucrativos e assim desenvolver

meios de comunicação mais baratos e que lhes falem diretamente, sem a

interferência e conhecimento dos concorrentes.

c. Descobrir novos consumidores, que possuem características parecidas

com as dos atuais, mas que, por algum motivo desconhecido, ainda não

utilizam os produtos, ou serviços, oferecidos pela empresa.

Para que se possa explorar todo o potencial dos bancos de dados, é

necessário que as firmas saibam transformar os dados em informações e

conhecimento. Esta tarefa nem sempre é fácil, principalmente em bancos de

dados muito grandes. É neste ponto que técnicas quantitativas exercem um

papel fundamental, transformando um amontoado de números em informações

2

relevantes para as tomadas de decisões. E o data mining nada mais é do que

um conjunto de técnicas quantitativas, entre elas técnicas estatísticas e de

inteligência artificial, que tem por objetivo a extração da informação contidas

em bancos de dados.

Neste contexto, este trabalho tentará responder a seguinte pergunta:

Como técnicas quantitativas podem ajudar no gerenciamento de uma

política de relacionamento entre empresas e clientes?

Para ajudar a respondê-la, apresenta-se uma revisão da literatura sobre este

assunto e, ao final, um exemplo da utilização de algumas destas técnicas em

dados obtidos em um banco de dados de uma empresa de varejo brasileira.

I.2. OBJETIVOS

O objetivo deste trabalho é mostrar como técnicas quantitativas podem

ajudar no gerenciamento de uma política de relacionamento entre empresas e

clientes. Para atingir este propósito final, é necessário que este trabalho

responda a três objetivos intermediários:

a. Mostrar a importância da obtenção de informações sobre os seus clientes

e da utilização de uma estratégia CRM, no sucesso das empresas;

b. Apresentar aos leitores as técnicas de extração de conhecimento, já que

muitas são bastante recentes e ainda não foram muito divulgadas na

literatura brasileira;

c. Exemplificar a utilização de técnicas quantitativas em bancos de dados

através da sua aplicação e da análise dos resultados obtidos.

I.3. RELEVÂNCIA

Com o aumento da velocidade dos computadores, é possível manipular um

maior número de dados, obtendo-se mais informações. Assim sendo, cada vez

mais técnicas quantitativas poderão ser uti lizadas, mesmo em áreas onde o

3

volume de informação antes as tornava inviáveis. A obtenção de informação

sobre os clientes surge como uma destas áreas, onde os computadores

poderão ser utilizados mais freqüentemente para ajudar na formulação das

estratégias empresariais.

Este trabalho se torna relevante pois apresenta algumas técnicas

quantitativas que podem ser implementadas em computadores e que ajudam

na obtenção de informações sobre clientes contidas em bancos de dados.

Deste modo, espera-se que este estudo ofereça uma ajuda às muitas

empresas que se sentem perdidas face à quantidade de dados que possuem

sobre os seus clientes, e não conseguem transformá-los em informação

relevante para a tomada de decisão.

I.4. DELIMITAÇÃO

Este trabalho tem por objetivo mostrar como técnicas quantitativas podem

ajudar no gerenciamento de uma política de relacionamento entre empresas e

clientes. Entretanto, não se pretende detalhar profundamente o processo de

construção de um banco de dados. Não serão abordados tópicos de

informática relativos a bancos de dados, tais como: qual seria a melhor

linguagem, o melhor software e a melhor estruturação para o banco de dados.

Supõe-se que os dados estão armazenados de alguma forma que seja possível

acessá-los rapidamente quando necessário. Também, supõe-se que os dados

já estão salvos em formatos compatíveis aos programas de análise de dados

que serão utilizados. O trabalho também não irá propor quais as medidas de

marketing devem ser tomadas (call center, correspondência direta ou outra

forma de contato). Estas medidas dependem muito da indústria em questão.

Este trabalho se limita a mostrar técnicas quantitativas que auxiliem na

obtenção de informações contidas nos dados, de modo que elas ajudem as

empresas a desenvolverem suas estratégias de CRM.

4

I.5. DEFINIÇÃO DOS TERMOS

Customer Relationship Management (CRM) – Conceito segundo o qual as

empresas devem explorar o relacionamento com seus clientes para obter uma

vantagem estratégica.

Data Mining – Conjunto de técnicas que visam a extração de informação

contida em um banco de dados.

Data Warehouse – Local no banco de dados onde ficam armazenados os

dados. É o armazém de dados.

Database Marketing – Utilização de bancos de dados como uma importante

fonte de informação de auxílio ao marketing e à área estratégica de negócios

de uma empresa.

Machine-learning – Técnica quantitativa onde nenhum modelo pré-definido

para a análise dos dados é imposto. Cabe ao próprio computador detectar este

modelo através dos padrões existentes nos dados. Também é conhecido com

Inteligência Artificial (IA).

Overfitting – Erro comum aos modelos de inteligência artificial que ocorre

quando o método se especializa demais nos dados de treinamento e perde a

capacidade de generalização.

5

CAPÍTULO II REVISÃO DE LITERATURA

II.1. CUSTOMER RELATIONSHIP MANAGEMENT (CRM)

II.1.1. Definição de Customer Relationship Management (CRM)

“Houve um tempo quando varejistas, bancos, companhias seguradoras e negociadores de carros tinham um estreito relacionamento com seus

clientes. Eles freqüentemente os conheciam pessoalmente, sabiam o que eles desejavam e satisfaziam suas necessidades através de um serviço pessoal personalizado. Como resultado, obtinham a lealdade e uma

grande fatia dos consumidores do seu mercado. Este, entretanto, era um sistema custoso e ineficiente e era necessário que os clientes

subsidiassem este relacionamento, pagando altos preços. Com o passar do tempo, com o marketing de massa e o aumento do consumo, os clientes trocaram os relacionamentos pelo anonimato, com uma redução

na variedade e nos preços. Hoje em dia, através do uso eficaz da informação e das tecnologias de

comunicação, esta troca não é mais necessária; as organizações podem oferecer a seus clientes variedade, preços baixos e um serviço personalizado, e tudo ao mesmo tempo. (...) Esta é a prática de CRM.”1

(PEPPARD, 2000, pg. 312).

Fazendo uma definição formal, CRM e marketing de relacionamento são

conceitos que chegam a se confundir. Analisando a definição de Stone,

Woodcock e Wilson (1996, p. 675) para marketing de relacionamento é

possível observar a semelhança entre ambos:

“Marketing de relacionamento é o uso de uma vasta gama de técnicas de marketing, vendas, comunicação, serviço e atendimento ao cliente visando:

a. identificar o cliente individual característico da empresa; b. criar um relacionamento entre a empresa e seus clientes que vá

além das várias transações; c. administrar o relacionamento em benefício dos clientes e da companhia.”2

1 Tradução livre do autor deste projeto.


6

Peppers, Rogers e Dorf (1999, p. 151) chegam a firmar que ambos são a

mesma coisa:

“A idéia é simples: marketing um para um (também chamado de marketing de relacionamento ou customer relationship management) significa estar atento e ser capaz de mudar seu comportamento para uma

maneira voltada para o cliente individual, baseado no que ele diz e no que for possível saber sobre ele.”3

Esta confusão ocorre pois o foco de ambos é o relacionamento com o

cliente, e a construção de uma vantagem competitiva baseada neste

relacionamento.

Para Jackson (1985) existe um espectro contínuo onde em uma ponta se

localiza o marketing de transação e na outra o marketing de relacionamento,

sendo que, normalmente, as situações de negócios se encaixam em posições

intermediárias neste espectro. O autor afirma que nem sempre é justificável um

investimento na linha de frente para ganhar clientes e estabelecer um

relacionamento de longo prazo. Neste extremo, encontram-se os clientes que

fazem compras repetidas de um produto, mas que podem facilmente trocar de

fornecedores, só se interessando por relacionamentos de curto prazo. Neste

caso o marketing de transação seria o mais apropriado. Entretanto, há clientes

que fazem uma série de compras ao longo do tempo e preferem se

comprometerem com somente um vendedor, em troca de um relacionamento e

benefícios de longo prazo. Neste ambiente é justificável que as empresas

aumentem seus gastos para obterem novos clientes e para aumentar o

comprometimento destes. Neste caso o marketing de relacionamento seria o

ideal para estes consumidores e paras as firmas.

Já Newell (2000, p. 8-9) prefere utilizar a definição de CRM feita pelo

Carlson Marketing Group:

"Uma estratégia de negócios que constrói antecipadamente uma tendência ou preferência por uma organização com seus funcionários, canais e clientes, resultando em uma maior retenção e em um

desempenho melhor.”


7

II.1.2. Vantagens do CRM

Não há acordo entre os autores se o CRM traz vantagens que já poderiam

ser medidas no curto prazo. Peppers, Rogers e Dorf (1999) afirmam que o

CRM não traz somente benefícios de longo prazo. É possível observar alguns

resultados deste programa já no curto prazo, tais como: aumento das vendas

cruzadas, redução da deserção de clientes, aumento em seu nível de

satisfação e diminuição dos custos de transação, tornando mais rápidos os

ciclos de compras. Contudo, Newell (2000) discorda, alertando que pode levar

até três anos para que uma política de CRM apresente resultados expressivos.

Apesar da discordância quanto às vantagens de curto prazo, há um

consenso em relação aos benefícios trazidos pelo CRM no longo prazo. O

primeiro deles seriam as informações sobre os clientes. Stone, Woodcock e

Wilson (1996) afirmam que através do marketing de relacionamento as

empresas podem obter inúmeras informações tais como:

a. A análise detalhada da lucratividade atual e esperada deste

relacionamento de longo prazo;

b. Novos serviços de que seus clientes precisem;

c. O nível do relacionamento sob o ponto de vista dos clientes e qual o tipo

de relacionamento eles gostariam de ter;

d. As políticas de aquisição e retenção de clientes praticadas por seus

concorrentes;

e. O grau de satisfação dos métodos atuais de relacionamento e se eles

atingem as expectativas dos clientes;

f. Testes de novos modelos de relacionamento.

Entretanto, a maior vantagem trazida pelo CRM é o relacionamento com os

clientes. Segundo Peppard (2000), o principal foco do CRM é um

relacionamento estreito e profundo com seus clientes. Seu objetivo principal é

maximizar o valor do cliente para a organização. As vantagens deste

8

relacionamento com os clientes são irresistíveis: a construção da comunicação

bilateral; a possibilidade de antecipar os seus desejos observando o seu

comportamento; e a retenção dos mesmos, que tem se mostrada mais lucrativa

do que a atração de novos consumidores.

Kelly (2000), Pine II, Peppers e Rogers (1995), Saunders e Metzer (2001) e

Stone, Woodcock e Wilson (1996) também concordam que o relacionamento

leva ao aumento da retenção e lealdade dos clientes e ao aumento da

lucratividade.

II.1.3. Vantagens da fidelização

Como é possível perceber, uma das vantagens mais citadas pelo CRM é a

retenção, a lealdade e a fidelização dos clientes. Mas quais são as reais

vantagens da fidelização de clientes para as empresas?

Segundo Pessanha Filho (2000), clientes fiéis compram mais

freqüentemente, defendem a empresa, são menos atentos à concorrência e

compram extensões das linhas de produtos das quais já são consumidores. A

retenção de clientes também se reflete internamente na empresa já que

proporciona uma satisfação maior nos funcionários.

Pine II, Peppers e Rogers (1995) também alertam para a importância que a

fidelização tem no aumento da lucratividade da empresa. Quanto mais tempo

os clientes são fiéis à empresa, mais lucrativos eles se tornam devido às

compras repetidas, à redução nos custos fixos, aos preços premiums, à

redução no custo de aquisição e à ajuda dada através de sugestões.

Para Stone, Woodcock e Wilson (1996) a fidelização de clientes impacta

positivamente na lucratividade através da diminuição dos custos de

recrutamento de novos clientes e da redução do custo das vendas.

Os programas de fidelização têm como objetivo aumentar a satisfação dos

clientes. Anderson, Fornell e Lehmann (1994) afirmam que as organizações

cujos clientes estão satisfeitos conseguem retornos financeiros superiores

devido ao:

9

a. Aumento da lealdade, aumentando o valor do cliente devido às compras

repetidas no futuro;

b. Redução da elasticidade no preço, pois clientes satisfeitos aceitam pagar

mais;

c. Redução da possibilidade dos seus clientes serem afetados pelos apelos

dos competidores;

d. Diminuição do custo das transações futuras;

e. Redução dos custos por falhas, já que como os desejos dos clientes são

atendidos, há poucas falhas para serem corrigidas;

f. Diminuição do custo de atração de novos clientes;

g. Aumento da reputação da firma, facilitando a aceitação de novos

produtos que poderiam ser rejeitados devido aos riscos de tentativas.

Já segundo Pine II, Peppers e Rogers (1995) esta política de relacionamento

entre empresa e clientes pode levar à vantagem competitiva. O primeiro motivo

é que quanto mais informações os clientes passam para a empresa, melhor se

torna o serviço prestado por ela, tornando a competição mais difícil para os

concorrentes. Estas informações, e a relação de aprendizagem, se tornam uma

vantagem competitiva para a empresa, permitindo que ela continue a oferecer

um serviço ou produto customizado de alta qualidade, com preços competitivos

e que esteja sempre utilizando tecnologias atualizadas. O segundo motivo é

que a troca de informações requer um esforço por parte dos clientes. A decisão

de acabar com um relacionamento e iniciá-lo com uma outra empresa exige

que os clientes refaçam todo este trabalho de fornecimento de dados. Assim

sendo, quanto maior for a quantidade de informações que uma empresa possui

sobre os seus clientes, maior o comprometido destes com o relacionamento,

trazendo uma vantagem competitiva para a organização.

Evans e Wurster (1997) concordam que a informação pode não somente

limitar e restringir um relacionamento, mas pode servir como base para a

formação de uma vantagem competitiva. Para os autores, a informação é a

10

“cola” que liga e une a estrutura de um negócio. Quando administradores falam

sobre o valor do relacionamento com os clientes, eles deveriam estar

preocupados com a informação que eles possuem sobre os seus clientes e a

informação que estes possuem sobre a empresa, pois assim estariam

construindo uma vantagem competitiva para suas firmas.

Jackson (1985) também destaca que o aumento nos custos de mudanças

percebidos pelos clientes é uma das vantagens obtidas com o desenvolvimento

de uma política de fidelização de clientes. Analisando de uma maneira simples

e direta, um programa de fidelização bem sucedido cria custos de mudanças

para os clientes, de modo que seja melhor para eles permanecer com a

empresa. Por isso, as companhias que desejam manter seus clientes devem

manter o custo de mudança maior que o custo de permanência. O primeiro

custo de mudança é o investimento que os clientes precisam fazer para se

adaptarem aos novos produtos, serviços ou sistemas. Estes investimentos

podem ser em dinheiro, pessoas, ativos e procedimentos. Quanto maior for o

investimento, maior será a relutância para a mudança. A segunda maior

categoria de custos de mudanças se refere ao risco e à exposição necessária

para realizar a mudança, ou seja, o perigo do cliente fazer uma escolha errada.

O medo de uma ruptura e de uma performance insatisfatória pode tornar o

cliente relutante à mudança.

Alguns autores mostram exemplos numéricos proporcionados pela

fidelização de clientes.

Saunders e Metzer (2001) concordam com os benefícios que um programa

de fidelização de clientes pode trazer. Eles afirmam que estudos têm mostrado

que as empresas gastam cinco vezes mais para conquistar novos clientes do

que para manter os atuais, e que é possível aumentar os lucros em 100%

aumentando a taxa de retenção dos clientes em apenas 5%.

Kelly (2000) cita alguns exemplos que mostram o valor da retenção de um

cliente:

11

a. Clientes insatisfeitos contam seu desapontamento para outras dez

pessoas, sendo que dessas, 12% espalham para outras 20 pessoas;

b. Custa 5 vezes mais atrair novos clientes do que manter os atuais;

c. Se 20 clientes estão insatisfeitos com você, 19 não dirão mas irão

embora;

d. Clientes satisfeitos contam para outros 5 clientes sobre suas

experiências positivas;

e. A maneira como você trata os clientes é um dos primeiros pontos de

comparação que os clientes fazem entre você e seus concorrentes;

f. Clientes satisfeitos quase sempre dão referências sobre outros pontos de

vista.

II.1.4. Como implementar o CRM

Peppers, Roger e Dorf (1999) afirmam que para começar o CRM, a empresa

deve primeiramente saber situar a estágio atual do seu relacionamento com

seus clientes. Depois disto, há quatro passos chaves para colocá-lo em

funcionamento:

a. Identificar seus clientes – É necessário que a empresa seja capaz de

localizar e entrar em contato com um bom número de clientes,

principalmente os mais valiosos. Por isso é importante obter a maior

quantidade de informação possível sobre eles (não somente dados

demográficos, mas também os hábitos e as preferências). Também é

necessário que a empresa obtenha informações em cada contato, e não

somente em um determinado período de tempo. Caso não seja possível

para a empresa obter estas informações de seus clientes finais é

possível tentar este tipo de relacionamento com seus clientes diretos.

b. Diferenciar seus clientes – Os clientes são diferentes pois têm diferentes

necessidades e porque têm diferentes valores para a empresa. O passo

seguinte após identificá-los é diferenciá-los, pois assim é possível

12

focalizar os esforços nos mais rentáveis e moldar o comportamento da

empresa de modo que ela possa atingir os valores e necessidades de

cada cliente.

c. Interagir com os seus clientes – Melhorar o binômio custo-eficiência e a

eficácia dos contatos com os clientes são componentes críticos do CRM.

É possível melhorar o custo-eficiência adotando métodos automáticos e

mais baratos de interação direta com os clientes. E para melhorar a

eficácia é necessário que a empresa gere informações interessantes e

rápidas sobre os desejos e valores dos clientes, lembrando que em cada

contato ela deve utilizar as informações obtidas em todos os contatos

anteriores.

d. Customizar o comportamento da empresa – Para prender seus clientes

num relacionamento, a empresa deve adaptar alguns aspectos do seu

comportamento para atender os desejos expressos de seus clientes. Isto

pode ser feito através da customização em massa de seus produtos, ou

moldando algum aspecto dos serviços que envolvem os produtos.

Os dois primeiros passos (identificar e diferenciar os clientes) são

considerados análises internas, enquanto os dois últimos (interagir e

customizar) são ações externas, visíveis para o consumidor. Ainda segundo os

autores, após decidir implantar o programa, cabe à empresa definir quais os

aspectos mais importantes e priorizá-los, nunca esquecendo que as prioridades

devem obedecer aos desejos e valores dos clientes. De qualquer modo, quanto

mais diferenciada sua base de clientes e quanto maior a concentração de

clientes lucrativos em uma pequena parcela de sua base total, mais eficiente e

menos custoso será o relacionamento.

Pine II, Peppers e Rogers (1995) alertam que a implantação do CRM pode

ser mais difícil dependendo da posição da empresa na cadeia de fornecimento

e do tipo de indústria. Empresas que não têm o contato direto com o cliente

final têm maiores dificuldades de construir este relacionamento. Entretanto elas

podem construir este relacionamento com seus clientes diretos. Outro exemplo

de indústria que enfrenta dificuldade na implantação do CRM é a de fabricantes

13

de produtos com pequeno valor unitário (tais como os clipes para papéis).

Neste caso a solução é a construção do relacionamento com os varejistas que

interagem diretamente com os clientes finais. Empresas que vendem

commodities também enfrentam dificuldades na customização dos seus

produtos aos gostos dos clientes, contudo elas podem oferecer serviços pós-

venda diferenciados.

Os mesmos autores também dizem quais são as indústrias onde o

relacionamento pode ser construído mais facilmente. São as indústrias e

prestadores de serviço onde: o cliente compra sempre o mesmo tipo de

produto, o produto pode ser enviado diretamente à casa do cliente e onde já há

uma relação existente entre a marca e o cliente.

No caso de empresas que tenham como clientes outras empresas, Knox

(1998) afirma que a administração tradicional baseada em contas não traz

benefícios pois a comunicação é feita exclusivamente através do gerente de

conta. Para o autor este relacionamento deveria evoluir para um estágio onde

as interações empresa-cliente e empresa-vendedor ocorrem em vários pontos.

Com a construção deste relacionamento os custos de transação diminuiriam e

ambas seriam beneficiadas. Newell (2000) lembra que mesmo em relações

empresa-empresa, os clientes finais são sempre indivíduos, possibilitando o

desenvolvimento de um programa de relacionamento personalizado.

Newell (2000) também fala das particularidades da implantação do CRM em

outras indústrias. No varejo, as empresas devem abandonar o antigo foco em

vender qualquer produto, em qualquer lugar, a qualquer hora e para todos os

clientes. Os varejistas devem se concentrar em manter os clientes mais

lucrativos, oferecendo-lhes produtos selecionados e que lhes tragam

satisfação. Neste ambiente, a internet deve ser considerada uma aliada que

pode ajudar a trazer o cliente para a loja real.

Na industria de bens de consumo, onde as empresas não vendem

diretamente seus produtos para os clientes, Newell (2000) afirma que só há

duas alternativas para a criação de um relacionamento com os principais

clientes finais. A primeira é a criação de parcerias com os canais de vendas

14

para que eles possam estar fornecendo informações sobre os clientes finais. A

segunda é escolher melhor os canais de marketing, de modo que a empresa

deixe de gastar dinheiro com aqueles que não são clientes potenciais ou que

não geram lucro.

Este mesmo autor afirma que as instituições financeiras já perceberam o

valor que o CRM pode trazer para a empresa. Os bancos criaram serviços e

produtos customizados que dão motivos para os clientes permanecerem fiéis.

Este é um ótimo exemplo do papel que a tecnologia pode exercer, facilitando a

comunicação com os clientes, através de múltiplos canais.

A última indústria na qual Newell (2000) mostra as particularidades e as

vantagens da implantação do CRM é a mídia. Na mídia, o CRM fornece duas

oportunidades: aumentar o envolvimento do público para reduzir a queda na

audiência e ajudar os anunciantes identificando quem são os melhores clientes

para os seus produtos específicos. O autor afirma que mesmo os meios de

comunicação de massa devem tentar desenvolver um relacionamento com os

seus clientes, pois os anunciantes preferirão utilizar os meios onde eles sabem

para quais clientes estão falando.

Mesmo com todo o planejamento e seguindo todos os passos para

implementar o CRM com sucesso, um componente e que não deve ser

esquecido é o comprometimento da empresa como um todo. Davids (1999)

afirma que uma das maiores causas de falhas na implementação do CRM é a

organização da própria firma onde o programa está sendo implantado.

Segundo o autor, alguns dos erros mais comuns são: não ter uma estratégia a

priori, subestimar o grau de envolvimento necessário em toda a companhia,

não buscar soluções fora da firma quando for necessário, demorar muito para

operacionalizar o programa, não começar pequeno e superestimar o esforço

necessário para começar.

Pine II, Peppers e Rogers (1995) reafirmam a importância da empresa

perceber que a implementação do CRM só é possível se houver uma mudança

de mentalidade dentro dela própria. Ela deve ter consciência que a implantação

15

do relacionamento só é possível se, em vez de fazer produtos e empurrá-los

para os clientes, ela passar a fazer o que os clientes pedem.

Newell (2000) afirma que a implantação do CRM exigirá mudanças

fundamentais dentro da organização, passando por todas as áreas. Para que o

CRM seja mais facilmente vendido para a direção da companhia, é necessário

que haja um defensor de nível sênior. O sucesso de CRM também requer a

ampla comunicação em toda a empresa, de modo que todos os participantes o

vejam como um benefício para eles e seus clientes. O relacionamento com o

cliente deve se tornar parte da marca da firma. Para que a implantação seja

monitorada com sucesso, novas medidas de avaliação serão exigidas. Elas

devem revelar o valor que o relacionamento está trazendo para a empresa e

para os seus clientes, e não se basearem em resultados financeiros de curto

prazo.

Stone, Woodcock e Wilson (1996) observam que muitas organizações

quando adotam o marketing de relacionamento não desenvolvem uma cultura

interna (com atitudes e estruturas organizacionais) para administrar os

diferentes tipos de relacionamento que serão necessários. Com isso, elas não

usufruem todos os benefícios do relacionamento.

Taurion (2001b) faz o alerta: é necessário que a empresa entenda que não

adianta colocar a responsabilidade no departamento de marketing e deixar tudo

como estava antes. É necessário comprometimento e tempo para o

relacionamento produzir os frutos esperados.

Entretanto, mesmo havendo o comprometimento da empresa e seguindo-se

todos os passos sugeridos na implantação de uma política de relacionamento

com o cliente, o sucesso não é obtido de um dia para o outro. Ele precisa ser

continuamente monitorado. O relacionamento se desenvolve em etapas, e a

implementação de CRM deve estar preparada para dar suporte à companhia

em todos estes momentos. Segundo Stone, Woodcock e Wilson (1996) os

diferentes estágios dos relacionamentos para os quais as empresas precisam

estar preparadas são:

16

a. Recrutamento – Quando o cliente é visto como um cliente apropriado

para a firma e é induzido a juntar-se a ela;

b. Boas Vindas – Depois de juntar-se, é necessário que a empresa se

assegure que o cliente realmente esteja integrado a companhia;

c. Aquisição de conhecimento – Este estágio é essencial, pois é quando

ocorrem as primeiras trocas de informações entre ambos;

d. Administração da conta – É quando o relacionamento já está

estabelecido e cabe à empresa mantê-lo, continuando a obter

informações atualizadas sobre os clientes. É o estágio ideal, que todas

as organizações buscam ter com seus clientes mais lucrativos;

e. Cuidado intensivo – Quando o relacionamento com o cliente apresentou

algum problema é necessário dar-lhe uma atenção especial para se ter

certeza de que ele retornará a relacionar-se com a empresa;

f. Divórcio potencial – A insatisfação do cliente é tanta que o divórcio é

iminente;

g. Divórcio – Apesar do cliente estar afastado da empresa, é possível que

após algum período de esfriamento dos ânimos, ele volte;

h. Retorno – Se o divórcio foi causado por altos preços ou por um produto

errado é mais fácil contorná-lo de que se ele for causado por um serviço

ruim (a não ser que o dos concorrentes seja pior).

II.1.5. Cálculo do valor de um cliente

Como pôde ser reparado, uma das primeiras tarefas a serem realizadas na

implementação de CRM é o cálculo do valor de seus clientes ao longo do

relacionamento. Buttle (2001) afirma que existem quatro tipos de clientes

estrategicamente importantes, e que as empresas deveriam se esforçar para

cativá-los:

a. Clientes fiéis, que compram em grandes volumes e suas exigências não

são maiores que sua lucratividade para a empresa;

17

b. Clientes que têm poder de influência sobre as outras pessoas;

c. Clientes que fazem críticas construtivas e ajudam as empresas a detectar

e corrigir seus defeitos;

d. Clientes cujo atendimento envolve o dispêndio de um custo fixo, deste

modo eles entram na divisão dos custos totais, diminuindo o custo de

atendimento dos demais.

Para Knox (1998), as empresas deveriam segmentar sua base de clientes

segundo a sua fidelidade com a organização. O desenvolvimento de clientes

deve capitalizar o envolvimento com o cliente quando este for presente e

explorar a indiferença dos clientes quando for lucrativo. Essencialmente isto

significa que os mais lucrativos devem ser apoiados em seus comportamentos

e crenças com um pacote de benefícios que represente o valor econômico

estimado que eles têm para a empresa. Estes clientes leais tendem a gastar

mais com as empresas preferidas e servem como fonte de novos clientes. Por

outro lado, os clientes sem valor devem receber o tratamento inverso. Uma vez

identificados, os recursos que antes eram direcionados para eles devem ser

seletivamente racionalizados e direcionados para os mais lucrativos.

Newell (2000) concorda que o CRM não deve ser dirigido para todos os

clientes da empresa. O verdadeiro objetivo do CRM é detectar os melhores e

os potencialmente melhores, para que ela possa focalizar os seus esforços

nestes grupos. A retenção começa com o recrutamento dos clientes certos.

Normalmente, observa-se que menos de 1% dos clientes é responsável por

quase 10% das vendas, e uma participação ainda menor contribui com 10% do

lucro total de uma empresa. Segundo a filosofia do CRM, os melhores clientes

são o ativo mais valioso de uma organização. Uma imensa participação de

mercado nem sempre garante altos lucros. O segredo não é obter muitos

clientes. É conseguir os clientes certos e mantê-los.

Seguindo esta linha de raciocínio, Davids (1999) afirma que um dos grandes

erros cometidos por empresas na construção do CRM é o não questionamento

de qual será a contribuição deste relacionamento para a própria empresa. O

18

autor alerta que, apesar do cliente ter sempre razão, ele não é sempre lucrativo

e por isso, um programa eficaz de CRM precisa considerar o seu valor ao longo

de sua vida.

Pine II, Peppers e Rogers (1995) também alertam para a importância do

aumento da lucratividade obtido através do cálculo do valor do cliente ao longo

de sua vida. Segundo os autores, a estratégia de pagamentos é um dos

componentes principais que devem ser pensados quando se vai construir um

relacionamento. Por isso, as empresas devem decidir com cuidado qual o nível

de relacionamento que vale a pena.

Stone, Woodcock e Wilson (1996) também falam sobre a importância do

cálculo do valor do cliente para a companhia. Conforme os autores, o modo

tradicional de administrar os clientes tem como objetivo tentar atingir qualquer

um que queira comprar os produtos e administrá-los da mesma maneira. Só se

faz exceção para os maiores. Esta forma de gerenciar os clientes está

ultrapassada. Na realidade, as empresas deveriam deixar de trabalhar com os

que nunca serão lucrativos e manter o foco no recrutamento e manutenção

daqueles que possuem alto valor no longo prazo. Somente assim elas

aumentariam sua força competitiva e a lucratividade.

Conforme o artigo publicado pela Qube Consulting (2001), calcular o valor

monetário de um cliente é fundamental pois torna possível identificar quem são

os mais lucrativos e nestes concentrar os esforços. O CRM não se justifica

somente pelo fato de reter mais clientes, ele só é viável se for possível

aumentar a lucratividade da empresa aumentando a fidelização dos

consumidores.

Ainda segundo a consultoria, conseguir prever o valor de um cliente também

ajuda a responder muitas perguntas que normalmente aparecem quando se

pensa em realizar um plano estratégico voltado para a sua retenção:

a. Qual será o aumento na retenção de clientes se for feita uma intervenção

ativa neste sentido?

b. Como a retenção vai se refletir nas vendas?

19

c. Quais os segmentos de clientes devem ser focalizados na retenção?

d. Deve-se gastar em marketing ou em operações para conseguir atingir o

objetivo?

Como último aviso sobre a importância da segmentação dos clientes

conforme o valor que trazem para a organização, fica a constatação de

Anderson, Fornell e Lehmann (1994) de que apesar de ser intuitivamente

esperado, nem sempre market-share e satisfação dos clientes andam lado a

lado. Se por um lado o aumento da base de clientes traz economias de escala,

por outro ele dilui as possibilidades de tratamento diferenciado, contribuindo

para a insatisfação dos clientes.

II.1.6. Criação de valor para os clientes

Outra condição essencial muito citada para o perfeito funcionamento do

relacionamento, é a criação de valor para o cliente. Davids (1999) afirma que o

CRM não deve ser visto como um programa de vendas, pois o cliente só dará

as informações necessárias se perceber que receberá algo em troca. Davids

(1999, p. 23) utiliza colocação de Arthur Hughes, vice-presidente da Database

Marketing: “você têm que ser capaz de imaginar o seu cliente dizendo „eu sou

grato por vocês estarem fazendo isto porque ...‟ – e você sabe quais são estas

razões”.4

Anderson e Naurius (1998) afirmam que saber quais os elementos que seus

clientes valorizam é importante pois ajuda a:

a. Administrar os produtos já oferecidos pela empresa – Às vezes itens

considerados da fábrica, deveriam ser vendidos como acessórios

somente para quem os deseja, pois assim muitos clientes que não os

necessitam poderiam receber um desconto no preço.


20

b. Desenvolver novos produtos – É importante saber se o cliente está

realmente disposto a pagar a diferença de preço para receber um novo

serviço.

c. “Ganhar” os clientes – A empresa passa a oferecer propostas de valor

persuasivas.

d. Sustentar o relacionamento com o cliente – O relacionamento com o

cliente deve ser baseado em confiança e empenho. A aplicação do CRM

ajuda a mostrar que a empresa está comprometida nesta relação.

Fournier, Dobscha e Mick (1998) constatam que infelizmente, ao olhar mais

de perto o fenômeno dos relacionamentos entre empresas e clientes, percebe-

se que nem tudo está perfeito pois as empresas não estão sendo capazes de

criar benefícios para seus clientes. Quando se conversa com as pessoas sobre

sua vida de consumidor, ouve-se muita reclamação sobre confusões,

estresses, insensibilidade e manipulação de mercado, fazendo-as se sentir

vítimas e enganados. Os autores mostram o relacionamento de marketing do

ponto de vista do cliente:

a. O número de relacionamento um para um que as empresas pedem para

os consumidores manterem é insustentável. O resultado é que muitas

iniciativas parecem triviais e inúteis, em vez de únicas e valiosas;

b. Existe um balanço entre dar e obter um bom relacionamento. Mas

quando as empresas pedem a amizade, a lealdade e o respeito de seus

clientes elas freqüentemente não dão amizade, lealdade e respeito em

troca.

c. Companhias falam de importância em se medir o valor de cliente.

Entretanto algumas vezes eles se sentem em desvantagem devido à sua

lealdade. Outras vezes, a preocupação das empresas com os clientes

mais lucrativos deixa os outros clientes lucrativos se sentindo excluídos e

desapreciados;

21

Segundo os autores, as regras universais da amizade são: dê suporte

emocional, respeite a privacidade, preserve a confiança e seja tolerante com

outras amizades. As empresas violam todas estas regras. As organizações

precisam se comportar de modo que demonstrem para os clientes que elas

podem ser valiosas com parceiras. Elas devem provar através de ações que o

marketing de relacionamento não precisa ser vazio, sem significado ou

estressante. A verdadeira intimidade com o cliente necessita um profundo

conhecimento de contexto no qual os produtos e serviços são usados no seu

dia-a-dia.

Newell (2000) afirma que a maioria dos programas de fidelização fracassa

porque uma organização de marketing não sabe como o cliente se beneficia

deles. Muitas empresas acham que um cartão de fidelidade é suficiente para

deixá-los satisfeitos. A maioria dos programas de fidelização já não é especial.

Qualquer programa de pontos ou de descontos pode ser imitado rapidamente

pelo concorrente e a empresa que tiver mais recursos financeiros acabará

saindo com vencedora. O verdadeiro CRM deve se concentrar no que o cliente

valoriza, e não no que a empresa deseja vender. Segundo o autor, todo contato

ou comunicação com o cliente deve ser positivo, do ponto de vista do cliente.

As empresas devem prestar atenção em quatro recados fundamentais

passados pelos clientes ao implementar o CRM:

a. Os clientes exigem pré-requisitos mínimos para fazerem negócios com

uma empresa. Estes pré-requisitos funcionam como elementos

qualificadores. Sem eles, os clientes não fazem negócios, mas as

organizações não devem contar com eles para construir a fidelidade;

b. Além de oferecer o mínimo necessário, as firmas devem se esforçar

continuamente para oferecer valor para os clientes. Somente assim elas

conseguirão se diferenciar das outras empresas que também

ultrapassam os pré-requisitos básicos;

c. Uma das maneiras de aumentar o valor do serviço oferecido pela

empresa é acabar com os procedimentos que irritam os clientes. Muitas

vezes, estes procedimentos são tradicionais na indústria, mas do ponto

22

de vista do cliente só atrapalham o relacionamento. Os clientes irão

preferir as empresas que eliminam estes procedimentos;

d. Muitas das iniciativas que as empresas pensam estar agradando passam

desapercebidas. Para saber quais esforços serão percebidos como

valiosos pelos clientes, as empresas devem realizar pesquisas.

O procedimento correto de criação de valor para os clientes deveria ser:

a. Identificar os valores do consumidor que são pertinentes à sua empresa.

b. Entender a importância relativa desses valores a cada segmento de

cliente.

c. Determinar se esses valores afetarão o resultado financeiro

positivamente.

d. Comunicar e oferecer os valores adequados a cada segmento.

e. Medir os resultados e fornecer retorno sobre o investimento (ROI).

Stone, Woodcock e Wilson (1996) dão algumas sugestões de como as

empresas podem fazer o cliente perceber o valor que receberão com o

relacionamento:

a. Criar uma marca que passe confiança;

b. Mostrar os benefícios e as vantagens dos diferentes tipos de

relacionamento;

c. Promover diversos modos de acesso dos clientes a seus produtos;

d. Garantir que os clientes possam facilmente ter acesso às informações

sobre o relacionamento e seus benefícios.

Kelly (2000) concorda que para se manter um cliente por toda a vida deve-se

começar por vendê-lo o produto correto, pelo preço certo e para as

necessidades certas. As empresas devem ter em mente que os clientes

querem fazer negócio do jeito que lhes convier, sempre, e preferem comandar

a compra. Eles também gostam de receber avisos de que são apreciados pela

23

companhia. Para mantê-los, as empresas devem: atender sempre suas

necessidades cultivando a sua felicidade e antecipar os seus desejos futuros.

Ou seja, o segredo para maximizar o valor dos clientes pode ser resumido em

atendê-los do jeito que eles querem ser atendidos. Para implantar esta

estratégia de maximização do valor do cliente, as empresas devem

primeiramente analisar o produto que oferecem e em seguida analisar o

mercado. O próximo passo é analisar os canais de distribuição. O objetivo final

é: vender os produtos mais lucrativos para os mercados mais lucrativos através

dos canais de distribuição mais baratos.

Dado que a criação de valor é um pré-requisito fundamental para o sucesso

do CRM, a comunicação com os clientes também deve ser feita de modo que

lhes seja favorável. Newell (2000) afirma que esta comunicação deve ser

planejada, trazendo algum benefício para eles, tais como: informações vitais, o

reconhecimento da importância do cliente, atenção personalizada e uma noção

de amizade. A empresa deve adotar uma postura pró -ativa e ter um plano de

comunicação para cada cliente, e até mesmo para os ex-clientes e para os

potenciais. Jamais se deve esquecer que o diálogo é a palavra mais importante

no léxico do CRM, mas este diálogo deve ser nos dois sentidos.

Resumindo toda esta questão sobre a importância da criação de valor para o

cliente, Newell (2000) afirma que as empresas devem saber que suas ações

contarão mais de que suas palavras e que o CRM no fundo consiste na

prestação de um serviço. E por isso, é necessário surpreender sempre os

clientes, incorporando aos produtos serviços que lhes tragam valor.

II.1.7. O papel das novas tecnologias

Como já foi dito, as novas tecnologias desempenharam um papel

fundamental no desenvolvimento do CRM.

Segundo Evans (1997), quando a informação se propagava somente através

de meios físicos, havia uma lei básica: o trade-off entre riqueza e alcance.

Alcance significa o número de pessoas que trocam a informação. Riqueza é a

qualidade desta informação, e pode ser definida por três aspectos: largura da

24

banda, customização e interatividade. Este trade-off acabou com o surgimento

dos meios de comunicações eletrônicos. Entretanto, apesar de todos os

negócios serem afetados pela mudança na economia da informação, nem

todos serão com a mesma intensidade. No caso do relacionamento entre

empresas e cliente, os principais impactos das novas tecnologias são:

a. O poder de barganha mudará como resultado de uma redução na

possibilidade de monopolizar o controle da informação;

b. O custo de mudança para os clientes diminuirá, e as empresas terão que

desenvolver novos métodos de promover a lealdade dos clientes.

Stone, Woodcock e Wilson (1996) fazem uma observação com relação ao

comportamento dos usuários destas novas tecnologias. Eles afirmam que estes

clientes são: mais freqüentes, adaptativos, não possuem tecnofobia e possuem

um nível de renda maior. Por isso, eles seriam muito atraentes para as

organizações.

Peppard (2000) afirma que a promessa do marketing um para um, a análise

de valor do cliente e a customização em massa se tornaram possíveis graças

aos avanços nas tecnologias e nas comunicações. O autor também ressalta

que a tecnologia permite que se alcance os clientes de diversas maneiras:

internet, TV digital, cartões inteligentes, telefones e quiosques. E que é

necessária a troca perfeita de informação entre estes canais, fato nem sempre

observado nas companhias.

Pine II, Peppers e Rogers (1995) afirmam que a tecnologia permite dois

avanços:

a. Customização em massa: a empresa é capaz de fornecer produtos e

serviços customizados para seus clientes. Este é exatamente o oposto

da produção em massa focada no produto, paradigma vigente em muitas

empresas onde a empresa deve empurrar seus produtos através dos

canais de distribuição, para assim atingir seus consumidores.

25

b. Marketing um para um: a empresa adquire informações sobre os desejos

e necessidades dos seus clientes, e faz a comunicação com eles

baseada nestas informações. Este é o oposto do marketing de massa,

onde se usa a tecnologia de informação para definir o cliente padrão.

Em seu artigo original, Pine, Victor e Boynton (1993) definem a

customização em massa como um mundo onde a imprevisibilidade de cada

cliente pode ser considerada uma oportunidade que para ser explorada. As

organizações poderão estar constantemente gerando novos produtos.

Qualidade e custos baixos, assim como customização e custos baixos, eram

considerados antônimos. Mas com a customização em massa, percebeu-se

que era possível ultrapassar este modelo de trocas: as empresas poderiam ter

ambos. Em um ambiente de customização em massa, ninguém sabe ao certo o

que os clientes desejarão, e por isso não sabem quais os produtos que devem

ser criados. Ninguém sabe qual a janela de mercado que se abrirá, e

conseqüentemente, ninguém pode criar uma visão de longo prazo sobre os

seus produtos. Entretanto, todos sabem que os clientes desejarão algo, que

esta oportunidade estará aí e que poderá ser explorada.

As únicas ressalvas quanto à utilização da tecnologia são feitas por Davids

(1999) e Apicella (1999). Segundo o primeiro autor, é necessário que as

empresas sempre comecem a adotá-las em projetos pequenos, e somente ir

crescendo aos poucos. Todos os passos devem ser precedidos de testes, para

evitar falhas. Mas por outro lado, o segundo autor afirma que a implementação

de uma tecnologia voltada para CRM pode ser um grande desafio, pois, se for

muito demorada, aumenta as chances da empresa ser ultrapassada por seus

concorrentes, ficar sem dinheiro e perder o interesse pelo projeto.

E a internet também tem um papel importante nesta mudança de cenários.

Segundo Sweat (2000), com o desenvolvimento da internet, os consumidores

estão se tornando cada vez mais exigentes. Este fenômeno ocorre pois a rede

mundial de computadores (através dos sites de informação, grupos de

discussão e sites de comparação de preços) facilita a obtenção de informação

sobre as companhias, seus produtos, serviços e preços, ajudando o cliente na

26

sua tomada de decisão. Entretanto, a internet também pode ajudar as

empresas, pois estas podem conseguir mais informações sobre os seus

clientes, possibilitando oferecer-lhes mais valor.

Newell (2000) também fala do impacto das novas tecnologias no CRM. A

internet terá um papel fundamental no relacionamento entre empresas e

clientes. As organizações devem entender e aceitar a nova ordem econômica

da Internet, e devem pensar nela como sendo mais do que um simples e-

commerce. O valor da web não está na tecnologia, está nos benefícios que ela

traz para as pessoas. A internet é importante pois ela será um canal onde será

possível estabelecer diálogo com indivíduos, obtendo informação e ouvindo-os.

A internet é um meio dos clientes fazerem negócios mais facilmente com uma

firma, permitindo que ela reaja em tempo real. Outra facilidade da internet são

os e-mails. Os clientes valorizam empresas que se comunicam através de e-

mails, mas estes não devem ser utilizados somente de forma passiva. Eles

devem permitir que a empresa converse individualmente com cada cliente em

uma escala maciça. A comunicação por e-mail deve trazer valor para os

clientes, por isso ela deve ser simples, curta e objetiva.

Newell (2000) também ressalta a importância de outras tecnologias que não

são tão recentes quanto a internet, mas que ainda oferecem oportunidades

para serem exploradas: o telemarketing e os call centers. Eles devem ajudar

na construção de relacionamentos por telefone com a confiança e o respeito

mútuos. Eles devem fornecer informações úteis para os clientes, permitindo

uma interação completa. Para isto, é importante manter o toque humano, pois o

componente do contato é importante para o CRM.

Newell (2000) também afirma que há alguns ensinamentos da relação entre

tecnologia e CRM que devem ser sempre lembrados. Os profissionais de CRM

precisam estar atentos às novas tecnologias, pois os avanços digitais de

amanhã colocarão os dados do cliente nas mãos de todos. As empresas

devem ser capazes de adivinhar o que o cliente quer antes mesmo dele saber.

Para isso será necessário um gerenciamento criativo para desenvolver o CRM

27

mais valioso ao cliente. Ao adotar novas tecnologias, a empresa deve sempre

tentar responder a três perguntas:

a. Por que adotá-la?

b. Qual é a promessa para o cliente?

c. O que se quer que ela faça?

Neste ambiente de constantes mudanças tecnológicas, a capacidade de

aprender mais rápido do que seu concorrente será a única vantagem

sustentável. E para isto o feedback ao cliente terá um papel fundamental.

II.2. EXTRAÇÃO DO CONHECIMENTO

II.2.1. O papel dos bancos de dados (database marketing)

Segundo Ha e Park (1998), database marketing é um processo de marketing

voltado para a informação. Gerenciado através de tecnologias de bancos de

dados, ele proporciona aos profissionais de marketing a possibilidade de

desenvolverem, testarem, implementarem, medirem e modificarem programas

e estratégias de marketing personalizado. Alguns dos efeitos do database

marketing são:

a. Conhecer mais sobre os vários tipos de clientes da companhia, e

determinar a possibilidade deles comprarem ou não determinados

produtos ou serviços;

b. Facilitar o alcance dos clientes com produtos e ofertas certas, no

momento certo;

c. Permitir a atualização contínua da informação no banco de dados,

possibilitando o desenvolvimento de futuras estratégias de marketing

baseadas nos resultados das campanhas anteriores;

28

d. Ajudar a desenvolver serviços que aumentem a possibilidade dos clientes

comprarem mais, e a estabelecer uma comunicação bilateral com o

cliente através de uma variedade de canais de contatos.

Jackson e Wang (1994) afirmam que o ambiente atual dificulta a interação

entre as firmas e seus clientes, e que a utilização de novas tecnologias em

busca de informações sobre os clientes pode ser uma solução. Segundo os

autores, a propaganda através dos meios de comunicação está mais cara e

mais ineficiente, pois não permite que a empresa fale especificamente com seu

público alvo. Dentro deste cenário, as empresas devem descobrir novos meios

de se comunicarem diretamente com seus clientes. A utilização da informação

obtida através dos bancos de dados é uma alternativa.

Os autores listam uma série de benefícios provenientes da utilização de

bancos de dados:

a. Identificar quais são os seus melhores clientes;

b. Desenvolver novos clientes;

c. Enviar uma informação consistente com o seu produto e seus clientes;

d. Reforçar as decisões de compras de seus consumidores;

e. Promover a venda cruzada e a venda complementar de produtos;

f. Melhorar a comunicação com os clientes;

g. Melhorar as promoções de vendas;

h. Refinar o processo de marketing;

i. Aumentar a eficácia dos canais de distribuição de marketing;

j. Manter o poder da marca;

k. Estabelecer uma administração de recursos;

l. Se comunicar sigilosamente com seus clientes;

m. Conduzir pesquisas de marketing, produtos e clientes;

29

n. Personalizar o serviço ao consumidor;

o. Promover a sinergia e a integração de programas.

Peppard (2000) também ressalta a importância das informações contidas em

bancos de dados. Para o autor, com as informações dos clientes, as firmas

devem ser capazes de: entender suas necessidades, diferenciá-los através da

segmentação, prever a possibilidade da sua perda e realizar análises sobre sua

lealdade, lucratividade e rentabilidade, sobre rentabilidade e eficácia dos canais

e sobre performance das campanhas de vendas.

Sanders e Mertzer (2001) também enumeram as vantagens de se ter

informações guardadas em um data warehouse. Segundo o autor, para

conseguir reter seus clientes as empresas devem saber responder à seguinte

pergunta: quais os produtos, ou serviços, que devem ser oferecidos, para quais

grupos de clientes, através de quais canais de distribuição, de modo que

maximize o lucro? O data warehouse ajuda a responder estas perguntas

fornecendo informação sobre quem são os seus clientes (permitindo servir-lhes

melhor) e sobre de onde vem os maiores lucros da empresa (permitindo

maximizá-los). O data warehouse permite guardar informações como os nomes

e os endereços dos clientes. Com estes dados é possível tratá-los os clientes

como indivíduos, identificando quais os produtos que eles compram da

empresa, e até diferenciando os membros de uma mesma família.

Para demonstrar as oportunidades que a utilização de bancos de dados

oferece, Kish (2000) utiliza o exemplo das instituições financeiras. A cada ano

os bancos perdem entre 15 e 25 por cento de seus clientes e são obrigados a

gastar milhões de dólares para reconquistá-los e recrutar novos clientes. Por

isso, é hora dos bancos desenvolverem estratégias mais agressivas para

acabar com o descontentamento, principalmente entre os clientes mais

valiosos, criando programas de administração do atrito baseados em novas

tecnologias. A utilização de banco de dados possibilitaria às instituições

financeiras mapearem e interpretarem o mais acurado indicador de

probabilidade de deserção: a inatividade dos clientes. Através dos bancos de

dados, as instituições seriam capazes de:

30

a. Obter informação continuamente de todos os canais de comunicação que

os clientes uti lizam para interagir com os bancos;

b. Criar um perfil atual para cada cliente que sirva de base para cada

comportamento individual normal;

c. Monitorar e interpretar a atividade e a i natividade dos clientes;

d. Reconhecer quando o comportamento de um cliente mudar, indicando

um momento de risco;

e. Comparar as mudanças de comportamento individual, histórico e

característico, para reconhecer níveis de risco e determinar as respostas

apropriadas;

f. Avisar continuamente quem são os clientes em risco e os seus perfis;

g. Responder em tempo real sempre que necessário, tanto nas ameaças

quanto nas oportunidades.

Implantando estes programas, os bancos seriam capazes de detectar os

clientes que exibem comportamento de risco, permitindo que atitudes sejam

tomadas antes da deserção acontecer. Estas tecnologias são eficazes pois

vêem os clientes como indivíduos e conhecem seu comportamento normal,

detectando qualquer período de inatividade. Em 30 dias é possível para uma

instituição financeira criar um perfil do consumidor que reflita suas rotinas

regulares, suas preferências e características (tudo isto através de padrões

históricos).

Para construir o banco de dados, um passo fundamental é a obtenção dos

dados. Davids (1999) afirma que as empresas devem aproveitar todas as

interações com os clientes para obter novas informações. Pine II, Peppers e

Rogers (1995) afirmam que há varias maneiras de se obter informação sobre

seus clientes, entre elas: quiosques, serviços on-line e correspondência. É

importante que a empresa tenha consciência de que o gosto dos clientes não é

estático, podendo variar com o passar de tempo, e, por isso, qualquer contato

com o cliente deve servir como fonte de novas informações.

31

Segundo Berson, Smith e Thearling (1999), há três tipos de dados sobre os

clientes que interessam às organizações:

a. Descritivos – Tentam responder a seguinte pergunta: quem é o cliente?

Os dados descritivos não variam muito e podem ser atualizados

trimestralmente ou semestralmente;

b. Promocionais – Tentam responder a seguinte pergunta: o que foi feito

com o cliente? A obtenção destes dados depende da sofisticação do

sistema CRM;

c. Transacional – Tentam responder a seguinte pergunta: como o cliente

reagiu às promoções? Estes dados variam muito e precisam ser

continuamente coletados.

Um grupo de dados que tem sido muito trabalhado para detectar o padrão

de consumo de clientes são as variáveis RFM (recency, frequency, monetary).

Ha e Park (1998), que as uti lizou no seu trabalho, explica cada um dos termos

do RFM:

d. Recência (recency) – Mede o período de tempo decorrido desde a última

compra realizada pelo cliente;

e. Freqüência (frequency) – Mede o número de compras feito pelo cliente

em um determinado período de tempo;

f. Valor monetário (monetary) – Mede o volume monetário gasto pelo

cliente durante um certo período de tempo.

Hughes (1996) complementa, afirmando que a grande vantagem do RFM é a

sua facilidade de implementação. Comparando a segmentação demográfica

(que fornece informações sobre quem são os clientes) com o RFM (que

fornece informações sobre o que eles fazem), este último apresenta resultados

melhores pois, quando se faz uma campanha de marketing, o objetivo final é

descobrir o que seus clientes irão fazer, e não quem eles são.

32

Newell (2000) também ressalta a importância do controle do valor financeiro,

da freqüência e da recência das compras feitas pelos clientes. Entretanto, para

o autor, estes dados devem ser utilizados de uma forma diferente, visando

entender melhor o que um cliente valorizará em um relacionamento com sua

empresa. Para isto, não bastam só as ferramentas, é necessário e importante

desenvolver ou contratar os profissionais certos.

O autor também lembra a importância da privacidade na construção de um

relacionamento baseado em confiança. Em geral, as pessoas temem o que não

entendem, e não sabem muito sobre database marketing. Por isso os

relacionamentos devem ser construídos com base na confiança. A informação

sobre os clientes é um combustível para os negócios, sendo necessária uma

atenção enorme para evitar vazamentos de informação.

Pine II, Peppers e Rogers (1995) concordam sobre a importância da questão

ética e da privacidade que os clientes merecem. Dada a importância de um

banco de dados, ele deve ser considerado um ativo muito valioso, e que por

isso não deve ser negociado.

Berson, Smith e Thearling (1999) também afirmam que a privacidade é uma

questão importante na política de obtenção e tratamento dos dados dos

clientes. Como ainda não há leis para todos os casos envolvendo a questão da

privacidade em banco de dados, as empresas devem ser cautelosas, evitando

tomar atitudes que possam trazer problemas no futuro. Para evitar problemas

com privacidade algumas sugestões são:

a. Tentar manter o anonimato e a identidade dos clientes – Deve-se evitar a

associação dos dados com o nome ou o número de identidade do cliente;

b. Trabalhar com dados consolidados, em vez de detalhados – Muitas

vezes para se obter o mesmo resultado não é necessário trabalhar com

dados individualizados, podendo-se agrupar os dados de uma

determinada variável.

c. Usar a informação somente para medir e não para manipular o

comportamento do cliente – Apesar de ser difícil determinar até onde vai

33

a medição e a partir de que momento começa a manipulação, os clientes

aceitam quando percebem que a informação é utilizada para

complementar as suas vidas. Contudo, eles não gostam quando acham

que estão sendo manipulados.

II.2.2. Definição de Data Mining

Segundo Ha e Park (1998), o termo data mining tem significados diferentes

na academia e no mundo de negócios. Na academia o data mining é somente

uma etapa no processo de procura de padrão nos dados, enquanto que no

mercado ele é visto como todo o processo de descoberta de conhecimento.

Pode-se verificar esta confusão comparando a definição de diversos autores

para o termo data mining. Entre os autores que utilizam a definição de

mercado, pode-se citar: Data Distilleries (2000), Ha e Park (1998), Newell

(2000) e Taurion (2001).

“Data mining é a descoberta de conhecimento interessante, mas escondido em grandes bases de dados. Bases de dados corporativas

freqüentemente contêm tendências desconhecidas, relações entre objetos, como clientes e produtos, que são de importância estratégica para a organização.” (Data Distilleries, 2001, p. 8).

“Data mining, que também é conhecido como descoberta de conhecimento em banco de dados, é uma ciência emergente que aplica

tecnologias modernas de estatística e inteligência artificial ao problema de extração de informações válidas, previamente desconhecidas, compreensíveis e passíveis de ação contidas em bancos de dados e

utiliza-as na tomada de decisões cruciais para os negócios.”5 (Ha e Park, 1998, p. 1).

“O processo de extrair informações a partir de dados é o que chamamos de data mining. (...) O data mining é a descoberta de conhecimento.” (Newell, 2000, p. 121 e p. 126)

“Tecnologia data mining é o conjunto de ferramentas que permitem manipulações e análises estatísticas em cima de bases de dados,

buscando extrair e identificar relacionamento entre estes dados. (...) Uma ferramenta de data mining pode ser uma arma poderosa para extração de informações úteis perdidas em toneladas de dados aparentemente sem

relacionamentos entre si. E por outro lado, um uso incorreto desta


34

tecnologia pode gerar muito mais confusão, levando a empresa a tomar

decisões erradas.” (Taurion, 2001a, p.1).

Já entre os autores que preferem a definição acadêmica, pode-se citar:

Berson, Smith e Thearling (1999) e Saarenvirta (1998).

"Data mining, em uma definição simples, automatiza a detecção de

padrões relevantes em um banco de dados. (...) Data mining utiliza técnicas bem estabelecidas de estatística e de aprendizado de máquinas

para construir modelos que prevêem o comportamento do consumidor.”6 (Berson, Smith e Thearling, 1999, p. 6).

“Um processo que as companhias podem usar para transformar seus

dados operacionais em informação úteis no processo de decisão é o data mining. Este processo, utilizando ferramentas avançadas de inteligência

artificial e de machine-learning, pode aumentar a lucratividade corporativa através da redução dos custos e do aumento das receitas.”7 (Saarenvirta, 1998, p.9).

Data mining pode ser entendido melhor através da analogia da mineração

feita por Berson, Smith e Thearling (1999): há uma montanha de dados (data

warehouse) e o objetivo é achar as pedras preciosas (informações relevantes)

nesta montanha, as ferramentas de data mining ajudam nesta mineração da

informação.

Observando todas as definições, pode não ficar claro a diferença entre o

data mining e a estatística. Segundo a consultoria Data Distilleries (2001),

apesar do data mining utilizar técnicas estatísticas e de machine-learning, ele

difere de técnicas estatísticas porque, ao invés de verificar padrões hipotéticos,

utiliza os próprios dados para descobrir tais padrões. O data mining explora as

bases de dados através de dezenas de centenas de pontos de vista diferentes.

Berson, Smith e Thearling (1999) afirmam que o data mining não é somente

estatística. Analisar dados para melhor entender um negócio é uma tarefa que

já vem sendo feita há muito tempo, entretanto o data mining viabiliza esta

análise quando o volume de dados é muito grande. As principais vantagens do

data mining em relação à estatística são: a facilidade de utilização pelas



35

pessoas de negócios, não precisando ser estatístico para entendê-lo, e o fim

da necessidade dos dados circularem entre os diversos departamentos da

firma antes de serem convertidos em informação. Apesar da estatística e do

data mining serem técnicas que possuem os mesmos objetivos e utilizam a

mesma base para alcançá-los (os dados), o data mining é mais robusto e por

isso pode ser utilizado por pessoas não experts.

II.2.3. Benefícios do Data Mining

O primeiro grande benefício do data mining é o acesso à informação.

Berson, Smith e Thearling (1999) constatam que o data mining pode revelar

informações que os usuários não desconfiavam que existissem. Para os

autores há duas maneiras possíveis de lidar com essas informações: aceitá-las

como uma caixa preta ou questioná-las. Entretanto, somente através do

questionamento que se consegue compreendê-las, e o data mining ajuda nesta

tarefa.

Para Data Distilleries (2001), graças à tecnologia da informação a empresa

consegue diferenciar: os seus dados, as suas análises, a interação com os

clientes e a sua produção. E o data mining ajuda nesta diferenciação e ainda

tem as seguintes vantagens:

a. Os modelos são de fácil compreensão;

b. As grandes bases de dados podem ser analisadas;

c. Informações que não se esperava podem ser descobertas;

d. As variáveis não necessitam ser preparadas;

e. Os modelos são precisos;

f. Os modelos são construídos rapidamente.

Esta busca por informações escondidas pode ser implementada em diversas

áreas da organização. Para Berson, Smith e Thearling (1999), as principais

áreas onde o data mining pode ser aplicado são:

36

a. Retenção de clientes;

b. Serviços de vendas e para clientes;

c. Marketing;

d. Detecção de fraudes e medição de risco;

Saarenvirta (1998) também identifica as principais oportunidades para a

utilização do data mining. Entre elas o autor cita:

a. Lucratividade e segmentação dos clientes;

b. Marketing dirigido;

c. Análise e separação de clientes;

d. Administração do risco de crédito;

e. Prevenção à fraudes e abusos;

f. Análises de vendas cruzadas;

g. Lucratividade de produtos e carteiras;

h. Serviço ao consumidor.

Como é possível perceber, muitas das aplicações estão voltadas para o

marketing e para o CRM. Isto acontece devido ao valor contido nestas novas

informações que podem ajudar a melhorar o relacionamento da companhia

com os seus clientes. Berson, Smith e Thearling (1999) afirmam que o mundo

de negócios está cada vez mais difícil para as empresas e, para conquistar

seus clientes elas precisarão fazer: a oferta certa, para a pessoa certa, no

momento certo e através do canal certo. O data mining é a ferramenta que

pode ajudar as organizações a melhorar esta interação com os seus clientes.

Analisando a utilização do data mining em programas de marketing e CRM,

o autores destacam os seguintes benefícios:

a. Aumento na receita;

37

b. Aumento dos lucros;

c. Diminuição dos custos;

d. Retorno sobre investimentos (ROI);

e. Criação de vantagem competitiva;

f. Pioneirismo ao se adotar uma nova tecnologia.

Já segundo Jackson e Wang (1994), o impacto da utilização e da integração

de bancos de dados na estratégia das empresas depende do estágio de

implementação. Há três estágios:

a. Dados históricos e sistemas de administração – É a utilização dos

bancos de dados de marketing que visam somente auxiliar programas de

correspondência com os consumidores. É considerado um uso passivo

dos bancos de dados.

b. Bases de dados como auxi lio à inteligência de marketing – O banco de

dados possui mais informações que no caso anterior. A empresa utiliza

os dados no auxi lio à tomada de decisões de marketing.

c. Fonte integrada de negócios – O banco de dados serve como guia para

todas as decisões da empresa, não somente as decisões de marketing.

O banco de dados interfere nas decisões referentes ao serviço aos

clientes, ao marketing, a vendas, à distribuição dos produtos, à pesquisa

e às finanças das empresas.

São muitas as maneiras de se conseguir estes benefícios da integração

entre data mining e CRM. Para Feldens e Reategui (2001), os benefícios do

data mining podem ser aplicados a três áreas: na relação das empresas com

seus clientes, no aumento das vendas e do faturamento e na identificação de

padrões de navegação e de perfis de usuários da internet.

Na relação das empresas com os seus clientes, o data mining atua na:

38

a. Redução de atrito - Um projeto de redução de atrito visa identificar

motivos de conflito com os clientes e definir ações para diminuição das

taxas de atrito;

b. Retenção através de downgrade - O princípio da retenção por downgrade

é o de identificar clientes que uti lizem produtos ou serviços da empresa

que estejam superdimensionados, e que por isso, têm tendência a

procurar produtos ou serviços da concorrência;

c. Prospecção de clientes qualificados - O principal objetivo da prospecção

de clientes qualificados é a conquista de novos clientes. Isto pode ser

alcançado através da identificação de perfis com alto potencial de

consumo e da criação de modelos que possam ser usados para

encontrar estes clientes em outras bases de dados.

No aumento de vendas e faturamento, o data mining auxilia no:

a. Projeto de cross-sales - O objetivo de um projeto de cross-sales é o de

realizar ofertas de produtos e serviços de forma personalizada a cada

cliente, aumentando a satisfação dos clientes e aproveitando

oportunidades de vendas cruzadas nos diferentes momentos de venda;

b. Projeto de up-sales - O objetivo de um projeto de up-sales é identificar

clientes com poder de consumo maior do que o demonstrado até então,

para que se possa criar e dirigir ações que visem o aumento de consumo

destes clientes.

Em relação à internet, o data mining permite a:

a. Identificação de perfis e padrões de navegação – Através da identificação

de perfis e padrões de navegação é possível personalizar o conteúdo, as

ofertas e a estrutura do web site de acordo com o perfi l do internauta.

Já segundo Berson, Smith e Thearling (1999), as principais aplicações do

data mining no CRM são:

39

a. Conquista de novos clientes – O data mining pode ajudar na tarefa da

seleção de público alvo para as campanhas de marketing. O data mining

ajuda a prever o comportamento de resposta dos clientes que seriam

atingidos pelo programa de marketing, possibilitando a empresa escolher

somente aqueles que têm maior probabilidade de responderem à sua

campanha;

b. Venda cruzada – Venda cruzada é o processo onde uma empresa

oferece aos seus clientes novos produtos e serviços, complementando os

seus desejos. O data mining atua prevendo o comportamento dos

clientes e detectando as oportunidades de vendas cruzadas as quais os

clientes têm maiores chances de responder;

c. Retenção de clientes – O data mining ajuda a detectar o comportamento

padrão dos clientes que abandonam a empresa. Com este modelo, a

companhia pode prever quando um cliente está pretendendo deixar de

fazer compras com ela, e atuar antes que esta perda seja consumada;

d. Segmentação – O data mining ajuda na segmentação dos clientes de

uma empresa. A segmentação permite que a firma analise sua base de

clientes por um nível mais alto. Só por trazer a tona o conceito de

diferenciação dos clientes, o processo de segmentação já é benéfico

para a empresa.

Apesar de todas os possíveis benefícios do data mining, nunca se deve

esquecer o aviso dado por Newel (2000). O autor alerta que o data mining

realmente permite que uma firma entenda melhor os dados que possui e assim

adquira novos conhecimentos. Contudo, um dos segredos do seu sucesso não

é a ferramenta em si, mas a habilidade e o poder da equipe que atua com as

estas informações no desafio empresarial do dia-a-dia.

II.2.4. Implementação e etapas do Data Mining

Um momento importantíssimo na determinação do sucesso de um projeto

data mining é a sua implementação. Para que ela seja perfeita, as companhias

40

devem conseguir integrar as três peças fundamentais citadas por Jackson e

Wang (1994). As três peças são: os dados, a tecnologia e as técnicas

estatísticas. Os dados servem de base para a obtenção da informação, que só

será relevante e confiável se eles forem de boa qualidade, a tecnologia viabiliza

todo o processo, e as técnicas quantitativas fazem a extração da informação.

Esta integração e a extração do conhecimento não são obtidas facilmente.

Diversos autores enumeram as diversas etapas que um projeto data mining

deve ter para garanti-las. Apesar de não haver uma concordância quanto ao

número de etapas, todos estão de acordo que a primeira é a análise da

contribuição que o data mining pode trazer para o negócio e a última deve ser

a aplicação e avaliação do conhecimento obtido.

Saarenvirta (1998) contabiliza seis etapas: análise do negócio, análise dos

dados necessários, implementação do projeto de data mining, aplicação nos

negócios e análise dos resultados. Sendo que, deve-se ter uma atenção

especial com:

a. A escolha do hardware de data warehouse;

b. O funcionamento do banco de dados e do data warehouse;

c. A escolha dos produtos de transformação do data warehouse;

d. As aplicações de data mining;

e. O treinamento de pessoal.

Para Berson, Smith e Thearling (1999), analisando-se somente o processo

de extração do conhecimento, o data mining é composto por seis etapas

(conforme mostrado na Figura 1): a obtenção dos dados, a seleção de um

subconjunto específico de dados, o pré-processamento dos dados, a

transformação dos dados, a aplicação dos modelos data mining para previsão

e a interpretação humana visando a extração do conhecimento.

41

Figura 1 Processo de extração de conhecimento

Estes mesmos autores afirmam que o contexto do negócio também tem um

papel importante antes da implementação do projeto. Este contexto deve estar

claro para as pessoas envolvidas pois caso contrário, a probabilidade de que

sejam cometidos erros aumenta. Esta visão mais holística e preocupada com

os negócios sobre data mining é representada na Figura 2.

Figura 2 Visão holística do processo data mining

Dados

Subconjunto

específico de dados

Modelos de previsão

Dados formatados

Conhecimento

Dados pré-

processados

Seleção

Pré-processamento

Transformação

Data mining

Interpretação humana

Data mining

Problema do negócio

Definição de ROI (retorno sobre

investimento)

ROI

ROI previsto

Definição de valor

Definição de valor

Dados

Definição dos dados

Modelos de previsão

Entender

Aplicação

Desenvolver

42

Já Ha e Park (1998) descrevem o data mining como um processo interativo

e iterativo, composto por nove etapas:

a. Desenvolvimento e entendimento do domínio da aplicação e dos

objetivos dos usuários finais;

b. Criação de um grupo de dados alvo, selecionando um subgrupo ou

focando em um subgrupo de variáveis onde o processo de descoberta

será realizado.

c. Pré-processamento e limpeza dos dados, envolvendo basicamente:

remoção de dados espúrios ou outliers e gerenciamento de missing

values.

d. Transformação e redução dos dados;

e. Escolha das técnicas a serem realizadas no processo data mining, entre

elas: descoberta de regras associativas, clusterização, classificação,

seqüenciamento e previsão;

f. Escolha dos algoritmos, selecionando os métodos, os modelos e os

parâmetros;

g. Procura por padrões;

h. Interpretação dos resultados obtidos nas etapas anteriores e possível

retorno a uma destas etapas;

i. Consolidação do conhecimento descoberto, incorporando este

conhecimento no sistema ou documentando-o.

E por último, Hui e Jha (2000) afirmam que o processo de implementação do

data mining contém sete passos:

a. Estabelecimento das metas do data mining – É o conhecimento do

negócio da empresa;

b. Seleção dos dados – É a identificação do grupo de variáveis onde o data

mining será aplicado;

43

c. Pré-processamento dos dados – É a remoção das impurezas dos dados

(dados incorretos ou desnecessários);

d. Transformação dos dados – É a alteração do formato dos dados, já que

muitas vezes eles estão armazenados de formas incompatíveis com as

utilizadas no data mining;

e. Data warehousing – É o processo de ter a visão, planejar, construir, usar,

gerenciar, manter e expandir os bancos de dados;

f. Data mining – Inclui as funções de resumo, associação, classificação,

previsão e clusterização;

g. Avaliação dos resultados – É a aplicação dos resultados no negócio da

empresa.

Dentro da etapa que muitos autores chamam de data mining ou descoberta

de padrões, um procedimento essencial é a realização das previsões ou

pontuação dos clientes. Berson, Smith e Thearling (1999) alertam que, na

verdade, a previsão é o objetivo final do data mining. Normalmente este

processo consiste em: identificação de um segmento interessante, pontuação

dos clientes através do modelo de previsão, ordenação segundo a pontuação,

escolha dos primeiro da classificação e envio destes selecionados para o

departamento de marketing. Para minimizar os erros nesta etapa, os autores

sugerem que as companhias devem se assegurar que:

a. A definição de segmentação está correta e que os clientes certos foram

selecionados para a pontuação;

b. Os clientes certos foram pontuados;

c. O modelo correto foi utilizado;

d. A pontuação foi colocada no local correto dentro da base de dados;

e. A forma como a pontuação deve ser ordenada foi entendida.

O primeiro passo necessário para que este processo de previsão seja bem

feito é a preparação dos dados, devendo-se verificar a consistência entre os

44

dados históricos e os que serão utilizados como previsores. Em seguida, deve-

se mapear as variáveis que serão utilizadas como previsores, já que nem todas

serão uti lizadas. Há variáveis diretas, que são as mesmas que foram utilizadas

na base histórica, e as que necessitam de ajustes (nesta categoria se

enquadram as variáveis temporais, pois a cada mês é preciso alterar o mês da

variável utilizada). O último passo importante neste processo de pontuação dos

clientes é integrar o resultado da pontuação nas diversas aplicações da

empresa.

Mesmo estando cientes de todas as etapas que um projeto data mining deve

conter, a implementação nem sempre é uma tarefa tranqüila. Visando ajudar as

empresas, Berson, Smith e Thearling (1999) apontam dez passos que devem

ser seguidos na implementação, pois facilitam a obtenção do sucesso final:

a. Definir o problema – É importante definir onde ele será aplicado e como

as metas serão atingidas. Facilita muito esta etapa se o projeto for bem

focado e pequeno, mas é necessário que seja algo importante para o

negócio e que por trás de tudo esteja a filosofia CRM;

b. Definir o usuário – É importante saber quem será o usuário final, para

que não ocorra um dos dois erros mais comuns: sistemas complexos

demais para usuários não sofisticados, ou sistemas muito básicos para

usuários sofisticados. Sabendo o perfil do usuário final será possível

fornecer um sistema com o nível ótimo de sofisticação;

c. Definir os dados – Não adianta o quão sofisticado é o programa se os

dados não forem de boa qualidade. Acima de tudo, funciona a lei:

Garbage In, Garbage Out (entra lixo, sai lixo). Para manter a qualidade

dos dados é importante ter um local onde fiquem anotadas todas as

características, descrições e alterações do banco de dados;

d. Definir a integridade dos dados – É importante verificar a integridade dos

dados que foram obtidos. Isto pode ser feito comparando as diferentes

fontes de dados;

45

e. Definir o escopo do projeto – O projeto não deve perder o foco e crescer

para áreas para o qual não foi planejado. Uma maneira de se evitar isto é

criando um documento que deixe bem claro o escopo do projeto;

f. Testar – Deve-se lançar um programa de teste pequeno e que dê

liberdade aos usuários finais deve ser lançado;

g. Garantir a segurança – Muitas pessoas não confiam nas novas

tecnologias. Por isso, é necessário um programa que assegure a

qualidade do projeto. Este programa deve funcionar tanto internamente,

conferindo os resultados, como externamente, fazendo propaganda e

diminuindo a tecnofobia dentro da empresa;

h. Educar – Os usuários finais devem ser treinados para se familiarizarem

com a nova tecnologia;

i. Lançar – O lançamento só deve ser realizado após se ter certeza de que

não há erros no programa. Os usuários iniciais devem ser escolhidos

cuidadosamente, e não se deve relaxar enquanto os resultados não

aparecerem. Nesta etapa de lançamento, é importante ajudar os usuários

a entenderem e interpretarem os resultados;

j. Continuar – O processo não pode ser encarado como pontual. Novos

modelos precisarão ser criados, os velhos deverão ser arquivados e a

performance precisará ser medida continuamente.

Seguindo estas etapas, as organizações conseguem diminuir os principais

custos de um projeto data mining citados por estes mesmos autores:

a. Aquisição de dados;

b. Infraestrutura física – Computadores, data warehouse, software de data

mining e difusão dos resultados através da empresa;

c. Pessoal – Data miner, Web designer, data designer, gerente de projetos,

interface com o marketing e interface com o banco de dados;

46

d. Custos de manutenção – Software, hardware, atualizações de dados,

teste, criação de novos modelos data mining, desenvolvimento dos

modelos atuais e validação dos modelos.

II.2.5. Data Warehouse

Como pôde ser visto, um componente importante no data mining é o data

warehouse. Para Taurion (2001a), o data warehouse é essencial pois integra

dados de múltiplas fontes e assegura a qualidade dos dados que serão

garimpados. E este é um aspecto importante pois, se a base de dados não for

válida, não será extraída nenhuma informação útil.

Ha e Park (1998) definem data warehouse como uma coleção de dados

orientada para sujeitos, integrada, variante no tempo e não volátil, uti lizada no

suporte do processo de tomada de decisão. Ele é orientado para sujeitos pois é

realmente voltado para: clientes, vendedores, produtos e atividades da

empresa. É integrado pois os dados armazenados são provenientes de

múltiplas fontes que se encontram no ambiente operacional. É variante no

tempo devido a três características: a base contém dados históricos e não

somente de um momento específico, cada dado é associado a uma data

específica (dia, mês ou ano) e os dados nunca são atualizados (quando são

armazenados pela primeira vez, eles já devem estar com o valor correto). O

data warehouse é não volátil pois só há duas operações que podem ser feitas:

carregamento inicial dos dados e o acesso aos dados, não há atualização.

Berson, Smith e Thearling (1999) observam que as empresas possuem

dados operacionais e dados informativos. Os primeiros refletem a situação

atual da operação, sendo atualizado constantemente. Os dados informativos

servem para tomada de decisão e por isso precisam conter informações

históricas e não precisam ser tão ágeis quanto os dados operacionais. O local

onde as empresas guardam estes dados é o data warehouse, e suas principais

características são:

a. É uma base de dados desenhada para tarefas analíticas;

47

b. Suporta um número relativamente pequeno de usuários com longas

interações;

c. É voltada para a leitura intensiva;

d. É atualizada periodicamente;

e. Contém dados atuais e históricos;

f. Contém poucas tabelas, mas que guardam um grande volume de dados;

g. Cada pesquisa resulta em um amplo conjunto de resultados.

O funcionamento e a arquitetura básica do data warehouse, segundo os

autores, estão ilustrados na Figura 3. Os componentes desta arquitetura são:

Figura 3 Arquitetura do data warehouse

a. Banco de dados data warehouse (número 3 na Figura 3) – É onde os

dados ficam armazenados. Existem diversas tecnologias de

implementação;

Extrair,

Limpar e

Carregar

os Dados

Metadata

Data Warehouse

DBMS Data

Marts

Plataforma de gerenciamento

Dados

Externos e Operacionais

Plataforma de

Administração Repositório

Ferramentas e

Aplicações

Reports, EIS,

Consultas e Ferramentas

Ferramentas

OLAP

Ferramentas

Data Mining

Sistema de entrega de

informação

4

5

3

7 6

1

2

48

b. Ferramentas para alimentação, aquisição, limpeza e transformação dos

dados (número 1 na Figura 3) – Faz todas as conversões, resumos,

mudanças chaves, mudanças estruturais e condensações necessárias

para transformar dados díspares em informação relevante;

c. Metadata – Metadata são os dados que descrevem o data warehouse:

são os dados sobre os dados. O metadata fornece acesso interativo aos

usuários, ajudando no entendimento do conteúdo e na localização dos

dados. O gerenciamento do metadata é feito pelo repositório metadata

(número 2 na Figura 3).

d. Ferramentas de acesso (números 5 e 7 na Figura 3) – É onde os

usuários interagem com o data warehouse e obtêm as informações. Uma

das questões mais importante está no acesso e na visualização dos

dados. Há cinco tipos de ferramentas principais: procura de dados e

ferramentas para relatórios; ferramentas de desenvolvimento de

aplicações; ferramentas executive information system (EIS); on-line

analytical processing tools (OLAP) e ferramentas data mining.

e. Data marts (número 4 na Figura 3) – Data marts são bancos de dados

subsidiários ao data warehouse. Muitas pessoas pensam que eles

podem ser uma alternativa menor e mais barata ao data warehouse,

entretanto, eles não comportam o mesmo volume de dados.

f. Administração e gerenciamento do data warehouse (6) – O

gerenciamento do data warehouse inclui: segurança e gerenciamento de

prioridades; monitoramento das atualizações; conferência da qualidade

dos dados; gerenciamento e atualização do metadata; auditoria e

relatórios sobre a utilização e o status do data warehouse; apagamento

de dados; replicação, distribuição e agrupamento de dados; backup e

recuperação de dados; e gerenciamento do data warehouse.

Para os autores, a internet proporciona uma expansão na capacidade de

acesso a um data warehouse, já que o usuário final não precisa ter o seu

próprio banco de dados.

49

Ha e Park (1998) dividem a estrutura do data warehouse em: dados

correntes, dados antigos, dados rapidamente resumidos, dados extremamente

resumidos e metadata, Os dados correntes refletem as transações mais

recentes, eles são mais volumosos pois são estocados com o mais baixo nível

de granularidade. Os dados antigos não são acessados freqüentemente. Os

dados rapidamente resumidos são provenientes dos dados correntes. Os

dados extremamente resumidos são mais resumidos e compactos que os

dados rapidamente resumidos. O metadata contém a estrutura dos dados, os

algoritmos utilizados nos resumos e o fluxo de dados do ambiente operacional

para o data warehouse. Como via de regra, quanto mais resumido o dado, mais

ele é utilizado devido à rapidez e à eficiência do acesso.

Normalmente os dados saem do data warehouse e vão para os

departamento que os utilizam de maneira customizada para a tomada de

decisão. O local dentro destes departamentos onde os dados ficam guardados

é chamado de data marts. Há várias vantagens organizacionais, tecnológicas e

econômicas na uti lização de data marts, sendo que elas se tornam mais

atrativas à medida que o data warehouse cresce em volume:

a. Quando um departamento utiliza o seu próprio data mart, ele pode

personalizar o fluxo de dados vindo do data warehouse. Ele pode utilizar

os dados sem se preocupar com o reflexo nas outras áreas da empresa;

b. O departamento pode selecionar um período histórico muito menor do

que se o encontrado no data warehouse;

c. O departamento pode selecionar softwares personalizados para o seu

data mart;

d. O custo unitário de processamento e armazenagem nas máquinas do

data mart é menor do que no data warehouse.

II.2.6. Objetivos,aplicações e técnicas de Data Mining

Tanto Berson, Smith e Thearling (1999) e Ha e Park (1998) concordam que

os principais objetivos do data mining são a descoberta e a previsão. Ha e Park

50

(1998) explicam mais detalhadamente que existem duas formas de data

mining: o voltado para verificação (testando hipóteses formuladas pelos

usuários) e o voltado para descoberta (extraindo informação automaticamente

dos dados). Sendo que, no data mining voltado para descoberta há dois

objetivos principais: a previsão e a descrição.

Os diversos autores também concordam quando falam das principais

aplicações do data mining. Continuando a explicar os objetivo, Ha e Park

(1998) citam as quatro principais aplicações do data mining, sendo que as duas

primeiras são descritivas e as duas últimas para previsão:

a. Regras de associação – São da forma X Y (se X, então Y), onde X e Y

são frases sobre valores de atributos do banco de dados.

b. Clusterização – Também conhecido como segmentação. Divide a base

de dados em um conjunto finito de grupos ou clusters onde cada variável

possui características similares;

c. Classificação – Se refere à descoberta de padrões de previsão para

classes. Existem dois tipos de métodos de classificação: as árvores de

classificação e os classificadores Bayesianos;

d. Previsão - Utiliza dados históricos para formular modelos cujos objetivos

é prever o comportamento futuro.

Entre as quatro principais aplicações do data mining citadas por Saarenvirta

(1998) duas coincidem com as de Ha e Park (1998):

a. Previsão – Utilizam dados históricos para prever o consumo dos clientes,

as respostas às promoções, a lucratividade e o risco. O desempenho dos

modelos depende de quais os dados históricos estão disponíveis;

b. Clusterização – Classifica os clientes em grupos homogêneos de acordo

com seus atributos;

51

c. Segmentação – Cria segmentos de clientes definidos pela separação

máxima de um atributo em particular, que pode ser: a lucratividade, o

risco, o valor ao longo do tempo e a resposta às promoções;

d. Análise de afinidades – É a identificação de padrões, desconhecidos ou

conhecidos, que existem em um grupo de itens. Os grupos de itens

normalmente incluem a cesta de compras e as contas dos clientes. Os

padrões a serem descobertos podem ser: a combinação de produtos, a

seqüência de produtos e séries temporais similares.

Já Newell (2000) afirma que são seis as aplicações do data mining. A grande

diferença é que este autor separa a previsão em regressão e séries temporais:

a. Classificação – Utiliza os dados para identificar o padrão que caracteriza

um grupo de clientes;

b. Regressão – Utiliza os dados atuais para prever o comportamento futuro;

c. Séries temporais – Semelhante à regressão, mas utiliza dados temporais;

d. Análise por conglomerados – Procura por grupos de clientes que tenham

comportamentos distintos ou semelhantes;

e. Análise de associações – Tenta descobrir ações dos clientes que

ocorram de forma conjunta;

f. Descoberta seqüencial – Tenta descobrir ações dos clientes que ocorram

de forma seqüencial.

Os métodos para por em prática estas aplicações são muitos. Ha e Park

(1998) enumeram cinco:

a. Árvores de decisão e regras;

b. Regressão não linear e métodos de classificação;

c. Métodos baseados em exemplos;

d. Modelos de dependência probabilística;

52

e. Modelos de aprendizagem relacional.

Berson, Smith e Thearling (1999) dividem os métodos em dois grupos em

função da data de criação e da aceitação: os métodos clássicos e os recentes.

São três os clássicos:

a. Estatística –A estatística tenta responder a perguntas sobre que padrões

existem, qual a probabilidade deles ocorrerem, eles são significativos e

como resumir as informações contidas no banco de dados. As principais

ferramentas estatísticas são os histogramas e as regressões;

b. Nearest neighbor – Esta técnica faz previsões através da semelhança de

um dado com os seus vizinhos;

c. Clusterização – Esta técnica tenta agrupar os dados segundo suas

semelhanças, não havendo como comparar se os grupos formados estão

corretos ou não. Como não há como saber o número ideal de grupos,

sempre há o trade-off entre múltiplos grupos (tendendo no limite para

grupos de um só elemento) e poucos grupos (tendendo no limite para

apenas um grupo com todos os elementos).

Também são três as técnicas recentes:

a. Árvore de decisão – Na árvore de decisão cada galho da árvore é uma

pergunta que classifica os dados e os divide pelas folhas, sem que

nenhum seja perdido. Por isso, a árvore de decisão pode ser vista como

uma segmentação nos dados. A grande vantagem desta técnica é a sua

facilidade de compreensão pelo usuário. Ela pode ser utilizada para

explorar os dados e para fazer previsões. O primeiro passo é fazer o

crescimento da árvore, para isso deve-se fazer as melhores perguntas

possíveis em cada galho O segundo passo para a implementação é

decidir quando parar com a árvore, havendo três condições que indiquem

este momento: quando o segmento só contém um dado, quando todos os

elementos do segmento possuem características semelhantes e quando

a melhora a ser obtida não justifica a pergunta. Árvores muito grandes e

detalhadas correm o risco de cometerem o erro do overfitting;

53

b. Redes neurais – São as vedetes do data mining. As redes neurais

aprendem os padrão através da apresentação dos dados, mas esta

característica do aprendizado não significa que ela seja muito melhor que

as técnicas tradicionais. Há uma crença de que as redes neurais podem

ser deixadas trabalhando sozinhas e que por isso não dão muito

trabalho. Isto não é verdade, e na realidade elas não são muito fáceis de

serem utilizadas. As redes neurais têm um poder de previsão muito alto,

mas uti lizam modelos que são muito difíceis de serem entendidos e

explicados. Assim sendo, os sistemas que implementam redes neurais

ou já vêm fechados (oferecendo a solução completa para um

determinado problema) ou precisam do acompanhamento de um expert

(o que elimina uma das vantagens do data mining que é a fácil

utilização). Redes neurais podem ser utilizadas para clusterização,

análise de outliers e para análise de componentes principais (redução da

dimensão de variáveis). O excesso de treinamento da rede pode levar ao

overfitting. A principal crítica à rede neural é a dificuldade de

entendimento do modelo, e por isso, muito esforço tem sido gasto para

tentar entender melhor os modelos criados.

c. Indução de regras – Esta é possivelmente a técnica mais associada ao

data mining. Através da indução de regras, tenta-se extrair todos os

padrões contidos nos dados. Um dos problemas desta técnica é

exatamente o excesso de padrões que podem ser extraídos. As regras

são da seguinte forma “se isto e isto e isto, então isto”. Existem dois tipos

de informação que verificam a relevância da regra obtida: a exatidão

(com que freqüência a regra está correta – probabilidade condicional) e a

cobertura (com que freqüência a regra é aplicada – probabilidade de

eventos múltiplos). É importante sempre lembrar que a regra não implica

causalidade, ela simplesmente afirma que, nos dados, a ocorrência do

padrão é alta.

Os autores avisam que é difícil saber a priori qual a técnica de data mining

deve ser aplicada. Muitas vezes é necessário um processo de tentativa e erro.

54

Entretanto, as empresas não devem gastar muito tempo, pois a decisão pode

vir tarde demais devido à rapidez das mudanças no ambiente de negócios.

II.3. APLICAÇÕES REAIS DE TÉCNICAS DE EXTRAÇÃO DE

CONHECIMENTO

II.3.1. Descoberta do perfil dos clientes que não renovam o

contrato em uma empresa de telefonia celular

O primeiro exemplo utilizado é dado por Berson, Smith e Thearling (1999). O

exemplo ilustra o caso de uma empresa de telefonia celular que, através do

método da arvore de decisão, implementou um programa para detectar o perfil

dos clientes que mais abandonavam a empresa. A empresa inglesa possuía

uma base de 300.000 clientes e a taxa média de abandono na indústria era

maior que 40%. Neste exemplo, a aplicação do programa se restringiu aos

clientes não corporativos (260.000 clientes). O modelo foi aplicado para

segmentar os clientes conforme a probabilidade de abandono. Utilizou-se

dados de março de 1998 para prever o abandono dos clientes em abril de

1998. Foi implementado o CART (Classification and Regression Trees). O

modelo produzido possuía 29 segmentos, cada um correspondendo a uma

folha da árvore.

O Gráfico 5 ilustra o percentual acumulativo dos clientes versus o percentual

acumulativo de abandono. Fazendo uma amostragem aleatória dos clientes,

estes dois percentuais acumulativos devem ser iguais (linha cinza „Sem

estudo‟). Fazendo a segmentação dos clientes, é possível detectar uma parcela

pequena dos clientes que seja responsável pela maior parte dos abandonos

(linha preta „Com dados de maio de 1998‟). Através do estudo foi possível

detectar que:

a. Apenas 5,2% dos clientes eram responsáveis por 27,7% dos abandonos;

b. Apenas 10,5% dos clientes eram responsáveis por 41,5% dos

abandonos;

55

c. Apenas 19,7% dos clientes eram responsáveis por 55,8% dos

abandonos.

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Base de clientes (%)

Ab

an

do

no

(%

)

Sem estudo

Com dados de Maio de 1998

Gráfico 1 Percentual acumulativo dos clientes versus o percentual

acumulativo de abandono

A campanha de marketing direto foi direcionada para 101.003 clientes

(35,9% do total), um número considerado elevado. Os resultados apresentados

foram de certa forma surpreendentes. Enquanto que nos primeiros meses

ocorreu o esperado, uma diminuição na taxa de abandono, a partir do terceiro

mês o grupo que recebeu a campanha passou a apresentar uma taxa maior de

abandono. Acredita-se que a pressão feita pela campanha possa ter

antecipado a decisão de abandono de alguns clientes. Deste modo, como

sugestão para as próximas previsões, além de se levar em conta a

probabilidade de abandono, o modelo deve predizer a probabilidade do cliente

responder positivamente à campanha.

II.3.2. Segmentação de clientes de um shopping duty-free

O segundo exemplo utilizado é dado por Ha e Park (1998). O objetivo final

era aumentar o volume de vendas e a satisfação dos clientes de um shopping

56

duty-free. Clientes VIP seriam selecionado para o envio de promoções e

ofertas através de correspondência direta, e para isso, era preciso descobrir

quem eram estas pessoas. O banco de dados utilizado foi fornecido pelo

próprio shopping duty-free e continha dados POS (Point Of Sales) que eram

originários das transações de vendas. Trabalhou-se com os valores RFM

(recency, frequency, monetary) dos clientes.

Foi utilizado o Self-Organizing Map (SOM) para segmentar os clientes em

grupos de características similares do ponto de vista do RFM, e apontar cada

cliente para um dos grupos. A partir daí, seriam escolhidos alguns grupos

através do posicionamento estratégico de seus clientes, e estes receberiam a

correspondência direta. Os grupos de clientes também seriam utilizados para

classificá-los como leais ou vulneráveis, utilizando-se uma árvore de

classificação C4.5. Esta árvore faria a classificação utilizando os atributos RFM

e as classes já conhecidas (os clusters), produzindo algumas regras para esta

classificação.

A segmentação dos clientes começou com a extração dos dados. Foram

agrupados os clientes de todos os estandes usando as três variáveis RFM. O

primeiro passo foi a separação dos dados contendo: a identificação dos

clientes e as variáveis de recência, freqüência e valor monetário. Para trabalhar

com o SOM foi necessário padronizar o valor de todas as variáveis entre 0 e 1,

para que nenhuma tivesse um peso maior que as outras. A clusterização dos

clientes foi dividida em duas fases: o treinamento dos dados e o mapeamento

dos clientes. No treinamento foram utilizados 9 clusters. Este valor foi escolhido

pois cada variável RFM de entrada poderia ser dividida em duas categorias:

abaixo da média e acima da média. Assim sendo, os nove grupos são

suficientes para cobrir todas as oito possibilidades de combinações (2x2x2=8).

Após o treinamento, o SOM formou um mapa topológico utilizando os grupos.

O mapeamento dos clientes nos grupos refletia as similaridades existentes.

Após o mapeamento, foi possível saber quantos e quais clientes pertenciam a

cada grupo, assim como o seu valor médio das variáveis RFM.

57

Uma análise interessante foi a construção do gráfico que relaciona os

valores médios das variáveis RFM de cada grupo (Gráfico 2). Neste gráfico foi

possível posicionar cada grupo escolhendo duas das variáveis RFM (recência e

valor monetário), os valores médios de cada grupo puderam ser comparados

com os valores médios de todos os clientes. Utilizou-se o símbolo “seta para

cima” ( ) para indicar quando o valor era maior que a média e o símbolo “seta

para baixo” ( ) para indicar quando o valor era menor que a média.

Valor Monetário

Recê

ncia

(todos os grupos)

Gráfico 2 Posicionamento dos clusters quanto as variáveis RM

Entre os nove grupos, os que tiveram R F M foram selecionados como os

prioritários, seguidos pelos R F M e pelos R F M . O motivo da seleção

destes grupos foi a maior probabilidade da campanha de marketing direto obter

êxito. Os resultados finais, com o número de clientes, os valores médios das

variáveis RFM e a classificação dos grupos podem ser vistos na Tabela 1.

58

Tabela 1 Resultado final da segmentação de clientes

Cluster Número de

clientes Recência

média Freqüência

média Valor monetário

médio Outros

1 117 83,78 3,60 1.617,45 R F M

2 250 436,16 1,22 545,55 R F M

3 567 162,43 1,27 471,88 R F M

4 140 295,19 2,14 1.590,79 R F M

5 165 278,58 1,45 570,62 R F M

6 95 87,53 6,01 3.278,25 R F M

7 287 68,87 1,44 544.02 R F M

8 130 112,78 3,37 2.600,83 R F M

9 285 167,25 1,66 1.351,65 R F M

Média total 190,88 1,91 1.031,90

A próxima meta foi a classificação dos clientes como leais ou vulneráveis.

Para alcançar este objetivo, o processo foi dividido em três etapas: extração

dos dados, criação das árvores de decisão e obtenção das regras. Novamente,

os dados uti lizados foram as informações RFM, e as classes utilizadas foram

os 9 clusters criados pelo SOM. O treinamento da árvore foi feito com os 2.036

casos que foram utilizados no SOM. A partir das regras geradas, a

classificação poderia ser aplicada aos demais dados. O treinamento gerou 10

árvores, sendo que uma foi automaticamente selecionada como a melhor. Esta

árvore selecionada passou por um processo de simplificação, com o descarte

de um ou mais galhos. A partir destas árvores se fez a geração das regras.

Esta geração de regras pode utilizar mais de uma árvore, sendo que no

exemplo foram utilizadas todas as 10 árvores, pois esta foi a combinação que

apresentou a menor taxa de erro e o menor número de regras (81 regras). As

regras produzidas foram da forma E D (se E, então D), onde o lado

esquerdo E era uma conjunção de testes baseados nos atributos e o lado

direito D era uma classe. Junto com a regra apresentava-se a probabilidade

condicional de sua ocorrência.

Após o término deste trabalho, uma pergunta ficou sem ser respondida: qual

foi o efeito desta correspondência direta no aumento das vendas? Esta seria a

59

sugestão para novos trabalhos e para começá-la o primeiro desafio seria

projetar um meio de obter estas informações com os clientes.

II.3.3. Segmentação e detecção do perfil de compradores on-

line

O terceiro exemplo utilizado é dado por Vellido, Lisboa e Meehan (1998). O

objetivo deste estudo foi desenvolver uma segmentação exploratória no

mercado de compras on-line, que fornecesse algumas idéias sobre a sua

estrutura e a caracterização dos compradores on-line. Foi utilizado o Self-

Organizing Map (SOM) no processo de análise das variáveis e clusterização.

Os dados utilizados eram públicos e foram obtidos na Ninth GVU’s WWW User

Survey. Estes dados eram respostas à questionários sobre a internet. Foram

selecionados 44 itens das duas primeiras perguntas (opiniões gerais

comparando a compra on-line com as compras tradicionais e opinião dos

vendedores on-line comparadas com as outras formas de compras). A variável

dependente era binária por natureza, e correspondia se o respondente já fez ou

não compras on-line. Os 44 itens foram reduzidos para nove através de uma

análise de fatores. A Tabela 2 mostra os 5 fatores mais relevantes que foram

selecionados por um modelo chamado Automatic Relevance Determination. O

fator 2 (controle do risco) continha o maior poder de previsão. Em seguida

vieram os fatores 1 (compatibilidade) e 3 (poder financeiro). Finalmente, os

fatores selecionados menos relevantes foram o 4 (facilidade de uso) e 5

(esforço/taxa de resposta).

Tabela 2 Descrição e atributos dos 5 fatores selecionados

Fator Descrição Atributos

1 Experiência de compras: compatibilidade Controle e conveniência

2 Controle do risco por parte do cliente/ Controle de ambiente

Confiança e segurança

3 Poder financeiro -

4 Experiência de compras: esforço Facilidade de uso

5 Experiência de compras/ serviço ao cliente Esforço/ taxa de resposta e empatia

60

O modelo utilizado no estudo foi uma SOM bidimensional retangular com 15

x 12 células hexagonais. Na primeira etapa a SOM, que é um modelo não

supervisionado, foi utilizada em conjunto com um modelo supervisionado. A

utilização de um modelo não supervisionado foi justificada pela sua

contribuição, fazendo a tomada de decisão mais intuitiva através da explicação

do processo de classificação. O mapeamento das classes (branco para

compradores, preto para não compradores e tons de cinza para classes não

bem definidas) é mostrado na Figura 4.

Figura 4 Mapeamento das classes segundo a SOM (branco para

compradores, preto para não compradores e tons de cinza

para classes não bem definidas)

Como é possível reparar, o lado esquerdo e a parte de baixo correspondem

a classe dos não compradores, enquanto que a parte de cima, o lado direito e o

centro correspondem aos compradores. Como se tratam de dados reais, não

foi possível separá-los completamente.

Esta classificação obtida através do método não supervisionado pôde ser

melhorada de duas formas. A primeira foi comparando o mapa obtido com os

mapas que mostravam os pesos de cada variável em cada célula do mapa. A

segunda foi renomeando cada célula com o nome do atributo cujo peso fosse o

61

maior (em valor absoluto). Ambos os métodos ajudaram a determinar a

importância relativa de cada fator individualmente, mas não forneciam

explicação da correlação destes fatores com a propensão a fazer compras on-

line.

Na segunda etapa, uti lizando-se apenas o treinamento não supervisionado,

tentou-se agrupar os clusters obtidos em super-clusters. Para a criação dos

super-clusters foi uti lizado uma combinação de métodos onde as células com a

menor distância para os vizinhos seriam consideradas centróides, e as outra

unidades seriam agrupadas nos clusters. A escolha do número de centróides é

arbitrária. Entretanto utilizou-se um modelo que mede a qualidade da

segmentação em função do número de clusters. A base do deste cálculo é que

a segmentação deve maximizar tanto a homogeneidade interna dos grupos,

como a heterogeneidade entre grupos. O Gráfico 3 mostra o resultado obtido.

Em função deste resultado, decidiu-se trabalhar com 5 super-clusters. Estes

grupos são mostrados na Figura 5.

PONTUAÇÃO DE QUALIDADE

NÚMERO DE CLUSTERS

Gráfico 3 Qualidade versus número de clusters

62

Figura 5 Posicionamento dos 5 super-clusters no mapa da SOM

Para se chegar a uma conclusão sobre as características destes grupos,

complementou-se estas informações com as obtidas na utilização do SOM em

conjunto com métodos supervisionados:

a. Grupo 1 – Englobava a região dominada por uma baixa pontuação no

poder financeiro, sendo também influenciada por baixos valores no fator

controle do risco. Para este grupo, a principal barreira à realização de

compras on-line era a falta de dinheiro. Este grupo pôde ser rotulado

como os „conscientes do custo‟ (C.C.) e envolvia 12,2% dos padrões de

treinamento;

b. Grupo 2 – Englobava a região dominada por baixos valores de facilidade

de uso, sendo reforçado por baixos ou médios valores nos demais

quesitos. Eram as pessoas que sofrem de tecnofobia e são relutantes

contra as novas inovações. Este grupo pôde ser rotulado como os

„avessos à complexidade‟ (A.C.) e envolvia 11,4% dos padrões de

treinamento;

c. Grupo 3 – Englobava a região dominada por baixos valores de

compatibilidade, havendo um subgrupo, no meio, com altos valores no

fator controle do risco. Eram as pessoas que não acham a experiência de

compras on-line conveniente ou compatível suficiente com os seus

63

hábitos. Este grupo foi rotulado como os „não convictos‟ (N.C.) e envolvia

25% dos padrões de treinamento;

d. Grupo 4 – Englobava a região dominada por altos valores nos fatores

compatibilidade, controle do risco e poder financeiro. Era o oposto do

grupo 3, sendo composto por pessoas que achavam as compras on-line

conveniente e compatível e não tinham problemas com o risco ou a falta

de dinheiro. Este grupo foi ser rotulado como os „convictos‟ (C.) e

envolvia 36,7% dos padrões de treinamento;

e. Grupo 5 – Englobava a região dominada por baixos valores no fator

controle do risco, combinados com altos valores de compatibilidade. Na

parte de baixo do mapa predominavam altos valores de esforço. Este

grupo foi rotulado como os „cientes da segurança‟ (C.S.) e envolvia

14,6% dos padrões de treinamento.

II.3.4. Outros exemplos

Há diversos outros exemplos na literatura sobre aplicações do data mining

no mundo de negócios, e principalmente no CRM.

Um exemplo interessante, não relacionado ao CRM é mostrado por Hui e

Jha (2000). No seu artigo, os autores descrevem como é possível aplicar

técnicas de data mining que extraiam conhecimento de uma base de dados de

serviço ao cliente. Este conhecimento visa dois tipos de iniciativas: a tomada

de decisão no nível gerencial e o diagnóstico de falha nas máquinas.

Outro exemplo que merece ser citado é descrito por Sforna (2000). Uma

empresa energética italiana utilizou o data mining em sua base de clientes

corporativos para descobrir hábitos de consumos anômalos. Detectando os

clientes que possuíam perfis de consumo não condizentes com os seus tipos

de contratos, a empresa pôde propor-lhes novos contratos que se ajustassem

melhor às suas necessidades.

64

II.4. FIDELIZAÇÃO E O VAREJO

II.4.1. Relacionamento com clientes no varejo

Segundo Cross e Smith (1994), a união de forças sociais, econômicas e

tecnológicas está transformando a indústria do varejo nos E.U.A.. Entre as

mudanças que podem ser observadas os autores citam:

a. Mais de 50% dos consumidores não têm tempo para gastar com as suas

compras, e preferem os canais que lhes oferecem maior valor e

conveniência, reconhecendo a sua lealdade;

b. Os clientes estão ficando resistentes às mensagens e formatos

tradicionais de marketing;

c. A proliferação dos canais de vendas está aumentando o poder de

barganha dos clientes;

d. Os clientes estão respondendo às novas tecnologias, desde que estas

simplifiquem suas compras, tornando-as mais rápidas e convenientes;

e. Os clientes também estão respondendo aos programas de marketing

customizados, onde a comunicação se baseia no histórico de transações

e que recompensem a lealdade dos clientes.

Os autores afirmam que hoje em dia, muitos varejistas ainda constroem suas

bases de dados como meios de atingir seus clientes mais valiosos através de

propaganda e promoções. Deste modo esta base de dados de clientes não

está criando lealdade. Para ir um passo além, os varejistas precisam adotar

uma nova visão: os dados precisam ser considerados um ativo essencial para

o marketing, pois só assim é possível utilizar estes dados de forma mais

criativa:

a. Aumentando a penetração geográfica através de modelos que

determinam quais as localizações ótimas das lojas;

65

b. Aumentando a lealdade através do diálogo com o cliente, criando

comunicações personalizadas;

c. Criando sinergias entre os diversos canais de marketing, maximizando o

fluxo de comunicação e o tráfico de informação por estas mídias;

d. Determinando os momentos ideais para que os estoques sejam

abastecidos, baseado nos padrões de consumo dos clientes;

e. Recrutando parceiros de marketing que estejam interessados em atingir

sua base de clientes, e parceiros que possuem uma base de clientes que

interesse para a empresa;

f. Integrando totalmente a informação dos clientes através de dados

financeiros e operacionais.

Taher, Leight e French (1996) afirmam que os varejistas precisam expandir o

conceito de varejo para além da loja e do produto físico. Uma pesquisa da

McKinsey revela que 65% da satisfação dos clientes resultam de fatores

intangíveis e subjetivos que transcendem o produto em si. Para manter e

conquistar seus clientes, os varejistas precisarão estar constantemente

superando as expectativas, e a melhor maneira de surpreendê-los e conquistá-

los é agregando serviços aos produtos.

II.4.2. Oportunidades do comércio on-line

Conforme Albertin e Marques (1999) a informatização e a internet não

servem apenas para agilizar a operação das lojas. Elas são meios eficientes de

transformar os dados, que são armazenados ao longo de todo o processo de

comercialização, em informações que permitam a análise de resultados e a

definição de planejamentos estratégicos.

Segundo os autores, o comércio eletrônico ajuda na relação entre empresas

e clientes, pois facilita as empresas compreendê-los e realizar a venda pró-

ativa de novos produtos. O comércio eletrônico permite uma melhor

comunicação com os clientes, relações de vendas mais eficientes e um

aumento da atratividade dos mercados de consumo.

66

Os autores afirmam que pôde ser observado em dois casos estudados, que

a grande contribuição do uso da tecnologia foi a viabilização da customização

em massa. Este fato ficou claro pois, nos dois casos, os sites montados pelas

empresas varejistas elaboravam carrinhos de compras de acordo com as

necessidades de cada usuário. Em um dos casos, a empresa chegava a utilizar

os dados obtidos através das compras on-line na construção de um programa

de marketing direto, onde as malas diretas eram segmentadas de acordo com

o perfil de cada cliente.

II.4.3. Uma breve descrição do mercado varejista brasileiro

Uma pesquisa elaborada em conjunto pela Abras (Associação Brasileira de

Supermercados) e ACNielsen mostra o panorama do mercado de auto -serviço

brasileiro (SUPERHIPER, 2000). A pesquisa revela, conforme pode ser

observado na Tabela 3, que o auto-serviço brasileiro faturou em 1999 R$

60,123 bilhões, 2,7% menos que no ano anterior, mantendo sua participação

de 6% no PIB nacional. O lucro médio auferido deste setor também diminuiu

em relação a 1998, passando de 1,5% para 1,3%. Mesmo assim, houve um

aumento de 7,4% no número de lojas, chegando a mais de 55 mil pontos-de-

venda no Brasil em 1999, contra os 51,5 mil do ano anterior. Deste modo, o

setor apresentou, ainda que discreto, um aumento de postos de trabalhos

disponíveis, ultrapassando a marca dos 670 mil empregos diretos. O espaço

total da área de vendas no setor também cresceu, exibindo um aumento de

3,1% em relação a 1998, e alcançando a marca de 13,1 milhões de metros

quadrados em todo o Brasil.

67

Tabela 3 O auto serviço alimentar brasileiro

1994 1995 1996 1997 1998 1999

1998x1999 Variação %

Nº de lojas (total auto-

serviço) 37.543 41.839 43.763 47.787 51.502 55.313 7,4

Faturamento anual (em

bilhões de reais nominais) 34,9 40,6 46,8 50,4 55,5 60,1

+8,3

nominal

Faturamento anual – em

bilhões a preços de 1999* 58,4 56,3 58,4 58,3 61,8 60,1 -2,7 real

Participação % do

faturamento sobre o PIB* 6 7 6 6 6 6 -

Nº de empregos diretos 650.000 655.200 625.000 655.000 666.752 670.086 0,5

Área de vendas (em milhões

de m2)

n.d. n.d. n.d. 12,0 12,7 13,1 3,1

Nº check-outs n.d. n.d. n.d. 123.170 125.867 135.914 8,0

n.d.: Não disponível * A preços de 1999 – todos os valores foram trazidos para

31/12/1999

Fonte: Abras/ACNielsen (SUPERHIPER, 2000)

Tabela 4 Síntese do resultados - 1999

Faturamento nominal (R$ bilhões)

Nº de lojas

Nº de check-outs

Nº de funcionários

Área de vendas em m

2 (milhões)

Setor auto-serviço 60,1 55.313 135.914 670.086 13,1

Segmento supermercado

55,4 24.112 104.713 292.103 10,1

20 maiores * 30,0 1.548 25.201 177.674 3,0

300 maiores * 42,0 3.199 37.641 262.797 4,3

*Dados ajustados devido às movimentações do setor em 1999 (fusões, aquisições, fechamentos, falências, ausências e etc.).

Fonte: Abras/ACNielsen (SUPERHIPER, 2000)

O segmento de supermercados (composto pelas lojas que possuem dois ou

mais check-outs) cresceu no último ano a uma taxa ligeiramente superior à

média do auto-serviço: 10,6% contra 7,4%, totalizando 24,1 mil lojas, ou o

correspondente a 43,6% do total do setor de auto -serviço (ver Tabela 4 e

Gráfico 4). Este segmento também aumentou sua participação no faturamento

do auto-serviço em relação ao ano anterior, saindo de 91% em 1998 para

92,2% do faturamento total nominal (o equivalente a R$ 55,4 bilhões) em 1999.

68

Este aumento de participação vem se mantendo nos últimos cinco anos,

partindo de 87,5% em 1995 para mais de 92% em 1999 (ver Gráfico 5).

9091

9293

9495

9697

9899

23,3

33,432,7 34,0

37,541,0 43,8

47,851,5

55,3

14,2 14,715,9 16,6 17,0 19,9

20,7 21,2 21,8 24,1

0

10

20

30

40

50

60

Segmento supermercado (2 ou mais check-outs)

Total auto-serviço

Gráfico 4 Segmento supermercado x Total auto-serviço - número de

lojas (em mil)

O setor de supermercado tradicional (entre 251 e 2.500 metros quadrados)

responde por mais de 63% do total das 24.100 lojas com dois ou mais check-

outs. Já o formato hipermercado, que no final de 1999 registrava pouco menos

de 200 lojas e um índice de participação de 5,3% do número total de lojas no

país, se consolidou como um abastecedor, tendo seu foco dirigido às pessoas

que fazem suas compras de abastecimento uma ou duas vezes por mês.

As 20 maiores redes do setor, possuem um alto faturamento, entretanto a

média de área de vendas de cada uma das suas lojas diminuiu

significativamente. Ao longo de toda a década até 1998, havia um mo vimento

crescente de área de vendas média por loja – as 20 maiores saíram de uma

média de 1.539 metros quadrados por ponto-de-venda em 1990 para 2.585

metros quadrados por loja em 1998. Entretanto, de janeiro a dezembro do ano

de 1999, houve um decréscimo desse valor médio, baixando para 1.910 metros

quadrados por loja. Esse indicador de performance pode ser reflexo do forte

69

processo de aquisição de redes com lojas menores implantado pelas três

primeiras empresas do ranking.

Pela representatividade das 300 maiores empresas no setor, que somam

3.199 lojas, nota-se que estas apresentaram resultado muito próximo à média

do setor em 1999, ou seja, índice negativo de desempenho de 2,1%, contra o

de 2,7% do setor auto-serviço como um todo. Essa diferença de percentual

advém da influência do desempenho negativo do faturamento das 20 maiores,

que registraram queda de 2,9% no ano de 1999 em relação a 1998. Já as 280

restantes praticamente obtiveram resultados estáveis frentes ao ano anterior –

índice negativo de 0,1%. Um dos principais fatores que podem ter contribuído

para o baixo resultado das 20 principais empresas do setor é a acirrada

concorrência estabelecida entre elas.

87,5

12,5

87,4

12,6

90,6

9,4

91,0

9,0

92,2

7,8

0

20

40

60

80

100

95 96 97 98 99

Auto-serviço 1 check-out

Segmento supermercado (2 ou mais check-outs)

Gráfico 5 Evolução da participação de lojas supermercados no

faturamento total do setor de auto-serviços (em %)

A pesquisa confirma que, a exemplo de 1997 e de 1998, em 1999 houve um

aumento no nível de concentração do setor supermercadista brasileiro nas

mãos das principais redes. Os dados apontam para um índice de concentração

6% maior em 1999, em relação a 1998, que, por sua vez, também já fora 6%

70

superior ao de 1997. Com isso, as cinco maiores fecharam dezembro último

com 39% das vendas totais do setor.

II.4.4. Exemplos de aplicação do CRM no mercado varejista

brasileiro

Hirata (2000) mostra três exemplos de aplicações de iniciativas de CRM no

varejo brasileiro: a rede ABC Supermercados (Divinópolis, MG), o grupo Pão

de Açúcar e o supermercado d‟Avó (São Paulo).

II.4.4.1. Rede ABC Supermercados (Divinópolis, MG)

O ABC Supermercados, com seis lojas em Divinópolis (MG), contratou a

empresa Key Work Tecnologia e Marketing para a instalação de um software

canadense com a finalidade de armazenar, nos primeiros seis meses, dados de

50 mil clientes.

Estes dados seriam obtidos através do lançamento de um cartão de

fidelização. Para obter o cartão o cliente deveria preencher uma proposta de

adesão, que seria avaliada. Em caso de aprovação, ele receberia o cartão num

prazo de 15 dias. Para incentivar a adoção do cartão, a empresa lançaria a

campanha „Usou, ganhou‟, onde para cada R$ 1,00 em compras o cliente

acumularia dois pontos que, somados aos pontos extras acumulados em

determinados produtos, poderiam ser trocados por prêmios. Os pontos extras

nos produtos seriam definidos através de parcerias com os fornecedores.

Com este programa de fidelização, a empresa pretendia acumular

informações sobre quem compra nas lojas da rede e direcionar seus gastos

com marketing. A partir destes dados seria possível lançar campanhas

específicas, tendo como base o cruzamento das informações no banco de

dados da empresa. A expectativa era de registrar 280 mil cartões em oito

meses.

Com o novo sistema, a rede pretendia faturar R$ 63 milhões em 2000, frente

aos R$ 50 milhões registrados no ano anterior. Para o desenvolvimento do

71

programa de fidelização, o ABC Supermercados destinaria desde julho de

2000, durante 90 dias, 2% do seu faturamento.

II.4.4.2. Grupo Pão de Açúcar

O Grupo Pão de Açúcar lançou o „Pão de Açúcar Mais‟, um cartão de

fidelidade que permite identificar os hábitos de compra de cada um dos seus

clientes. A empresa investiu R$ 5 milhões no projeto, que incluiu a compra de

um software americano cuja capacidade de armazenamento é de cinco anos

de histórico para cada cliente. Este era um cartão de identificação e não de

pagamento, pois ele não estava atrelado à oferta de brindes.

A utilização do cartão Mais funcionaria nos mesmos moldes que os demais

cartões de fidelização existentes no mercado. O cliente apresentaria o cartão

no caixa toda vez que realizasse suas compras, o leitor óptico faria a

decodificação e o software coletaria as informações qualitativas e quantitativas,

tais como dados de compra, tipo de produto, freqüência na loja e valor da

compra. Essas informações seriam cadastradas em um computador centra l e a

partir delas a empresa lançaria perguntas sobre um determinado perfil de

cliente. Com as respostas fornecidas pelo software, o departamento de

marketing desenvolveria promoções de iniciativa da própria empresa ou com o

apoio dos fornecedores. Havia uma estimativa de que uma campanha de

marketing pode influenciar o cliente de 15 a 25 vezes por ano, no mínimo.

Em um mês e meio de funcionamento do sistema, foram cadastradas 210

mil famílias. Esse número foi suficiente para iniciar as ações de marketing

dirigidas. Em quatro meses os primeiro resultados já puderam ser percebidos

nas famílias registradas:

a. O aumento do tíquete médio de compras foi de 19%;

b. O aumento na freqüência desses consumidores às lojas foi de 42%.

Neste período, a empresa lançou 38 campanhas de marca própria e outras

em conjunto com os fornecedores, havendo casos de fornecedores que tiveram

aumento de 50% nas vendas. Uma das campanhas que a empresa lançou foi o

72

„Dia a Dia Mais‟. A cada R$ 50 de compras e mais R$ 9,90, o cliente ganhava

um kit de panelas especialmente desenhadas para o Pão de Açúcar.

II.4.4.3. Supermercado d’Avó (São Paulo)

A cadeia de supermercado D‟Avó, com seis lojas em São Paulo, lançou o

Cartão Confiança em 1997. Trata-se de um cartão de crédito direcionado para

o consumidor de baixa renda, que não tinha acesso ao sistema bancário e que,

por essa razão, não possuía talão de cheque. O objetivo do cartão era: resolver

a questão de crédito e ao mesmo tempo fidelizar o cliente. O D‟Avó tem o

registro de todos os portadores do Cartão Confiança desde 1997. Neste

período, a empresa já registrou 145 mil pessoas, que podem a qualquer

momento serem surpreendidas com uma promoção ou apenas um gesto

singelo das lojas da rede D‟Avó.

Um exemplo de campanha de marketing que só foi possível através do

cartão foi a distribuição de cestas de café da manhã para um seleto grupo de

clientes. Para traçar o perfil dos consumidores que receberiam as cestas, o

D‟Avó buscou em seu banco de dados senhoras que tinham o Cartão

Confiança, eram casadas, com filhos, que mantinham suas contas do cartão

em dia e que freqüentavam a loja todos os sábados. O cruzamento desses

dados foi realizado e chegou-se a 180 pessoas com esse perfi l que foram

contempladas com as cestas de café da manhã. No ano anterior, 150 clientes

haviam sido contemplados com a mesma campanha.

Outra campanha foi a de reavaliação de crédito. Nesse caso, os dados

encaminhados para o sistema eram de consumidores que gastavam todo o

crédito do cartão e pagavam 100% da fatura. Foram selecionados 1.643

clientes com esse perfil.

73

CAPÍTULO III METODOLOGIA

III.1. TIPO DE PESQUISA

Após fazer uma breve revisão da literatura sobre CRM e apresentar algumas

técnicas de extração de conhecimento em banco de dados, este trabalho, a

partir deste ponto, vai exemplificar a utilização de algumas destas técnicas

destacando as informações que podem ser obtidas.

Para classificar este estudo, foi adotada a proposta apresentada por Vergara

(1997), segundo a qual uma pesquisa pode ser classificada quanto aos seus

fins e quanto aos seus meios.

Quanto aos fins, esta pesquisa é uma pesquisa aplicada. Ela é motivada por

um problema real enfrentado por empresas de varejo brasileiras, e para

resolvê-lo foram utilizados dados reais.

Quanto aos meios, esta será uma pesquisa de laboratório, telematizada e

bibliográfica.

Para desenvolver o referencial teórico foi feita uma introdução sobre CRM,

sendo necessário pesquisar publicações que falem sobre este tema. Para isto

foi necessário pesquisar materiais publicados em revistas, livros, jornais e que

sejam acessíveis ao público de uma maneira geral. Por estes motivos pode-se

caracterizar este estudo como bibliográfico.

Por ser um tema novo e que está diretamente envolvido com novas

tecnologias, principalmente o computador, muito material ainda não foi

publicado mas está disponível nos meios de comunicação. A internet é uma

fonte rica de conhecimento sobre a extração de conhecimento em bancos de

dados. Nela é possível encontrar artigos, opiniões e fóruns de debates que

falam exclusivamente sobre o CRM. Deste modo foi necessário pesquisar

neste meio, caracterizando a pesquisa como telematizada.

74

Para finalizar, este trabalho também pode ser classificado como uma

pesquisa de campo pois, apesar de uma grande parte do esforço ter sido gasto

com a utilização de computadores na aplicação de modelos que ajudem a

descrever o comportamento dos clientes, os dados utilizados eram reais. Eles

foram obtidos na base de dados de uma empresa de varejo.

III.2. UNIVERSO E AMOSTRA

Os dados utilizados nesta pesquisa foram obtidos junto a uma empresa

varejista brasileira. Esta empresa é uma das maiores do país pois, apesar de

não estar presente em todas as regiões, ela tem uma grande importância na

região onde está concentrada. Ela possui diversas cadeias de lojas, mas o

trabalho foi feito somente na cadeia de hipermercados. Foram analisados os

dados de quatro lojas, todas na mesma região metropolitana, porém

localizadas em bairros diferentes. O perfil demográfico destes bairros é bem

diferente. Devido a questões de sigilo, nem o nome da empresa, nem a

localização das lojas será divulgada.

O banco de dados utilizado continha as seguintes informações sobre as

compras realizadas no ano 2000: o número de identificação do cliente, o valor

da compra, a data da sua realização e a loja onde ela foi fei ta. Este banco de

dados não continha informação sobre todas as compras realizadas nas lojas,

havia somente dados das compras realizadas pelos clientes que possuíam um

cartão de fidelização. Este cartão não era exclusivo da rede de hipermercados,

nem da empresa. Por isto, estes clientes não eram, necessariamente, os mais

fiéis, leais ou lucrativos. Na verdade, pode haver pessoas que possuem este

cartão e nunca fizeram compras neste hipermercado. Este cartão pode ser

obtido facilmente através do pagamento de uma taxa. Ele distribui brindes à

medida que os clientes acumulam pontos nas diversas empresas que

participam deste projeto. Ele não é individual, possibilitando que uma família

inteira uti lize somente um cartão.

75

Os dados utilizados correspondem a todas as compras realizadas com o

cartão de fidelidade, em qualquer uma das 4 lojas estudadas da rede de varejo,

durante o ano 2000.

Seguindo a classificação sugerida por Vergara (1997), a amostra dos dados

foi obtida por acessibilidade já que o motivo da escolha da empresa utilizada foi

a facilidade de acesso aos dados.

III.3. COLETA DE DADOS

Os dados foram coletados diretamente do banco de dados da empresa. Por

isto, este estudo só pôde analisar as variáveis que estavam contidas neste

banco de dados. Não foi feita nenhum tipo de entrevista ou questionário com os

clientes para saber se os dados realmente refletem a realidade. Também não

se procurou saber o envolvimento dos clientes no programa de fidelização.

Este estudo se limitou exclusivamente a analisar os dados obtidos no banco de

dados e a descobrir informações escondidas que auxiliem na construção do

relacionamento entre a empresa e os clientes.

III.4. TRATAMENTO DOS DADOS

Como já foi dito, originalmente o banco de dados continha as seguintes

informações por compra: o número de identificação do cliente, o seu valor, a

data da sua realização e a loja onde ela foi feita.

Deste modo como estava organizado o banco de dados, se um cliente após

ter feito o pagamento se lembrasse que esqueceu um item e resolvesse

adquiri-lo neste mesmo instante, eram computadas duas compras separadas

para este cliente. Mesmo tendo sido realizadas num mesmo dia, por um

mesmo cliente e na mesma loja, estas compras não eram agrupadas. Por este

motivo, decidiu-se que todas as compras realizadas por um mesmo cliente, em

um mesmo dia, na mesma loja deveriam ser tratadas como uma compra só.

Mesmo sabendo-se que pode ter havido casos em que um mesmo cliente

76

tenha feito duas compras independentes (por exemplo, uma de manhã e outra

à tarde), preferiu-se trabalhar como se fosse uma compra só.

A primeira análise foi feita em cima das compras. Com os dados disponíveis

foi possível construir novas variáveis que informavam: o dia do mês da

realização da compra, o dia da semana e quanto tempo já havia se passado

desde que aquele mesmo cliente tivesse feito a compra anterior. De posse de

todas estas variáveis, primeiramente foram analisadas todas as compras. Em

seguida foi estudado como elas evoluíram ao longo do ano. O próximo passo

foi a descoberta de padrões sazonais ao longo do ano 2000. Por último foram

comparadas as características de cada loja.

O segundo grande grupo de análises foi feito em cima dos clientes. Em vez

de utilizar o banco de dados em que cada entrada era uma compra, as

informações foram agrupadas por cliente. Para cada cliente foi possível obter

as seguintes informações: valor médio das suas compras, valor total gasto,

número de compras que realizou, a loja onde realizou a maioria de suas

compras, o período do mês e o número de dias da semana onde concentrou

suas compras. Depois de construir este novo banco de dados, decidiu-se

trabalhar somente com os clientes que tivessem feito mais de doze compras ao

longo do ano (média de uma por mês). Selecionou-se estes clientes pois só

eles poderiam ter características de fidelidade e lealdade que seriam

interessantes para a empresa. O primeiro estudo em cima deste novo banco de

dados se limitou a descrever as principais características deste grupo de

clientes selecionados. Por último, tentou-se descobrir e verificar se era possível

criar alguma segmentação, baseada no padrão de compras, que indicasse

quem eram os clientes principais da rede. Utilizaram-se os seguintes critérios: o

período do mês, a quantidade de dias da semana e a loja que preferem fazer

suas compras.

Para fazer todas estas análises uti lizou-se principalmente o pacote

estatístico SPSS.

77

III.5. LIMITAÇÕES DO MÉTODO

Os modelos que foram utilizados podem até ser aplicados em outras

empresas de varejo, dependendo do grau de semelhança entre o

comportamento dos clientes e de como estiver montada a base de dados, mas

não necessariamente podem ser generalizados para todas as empresas que

possuem programas para gerenciar os dados de seus clientes. Alguns dos

padrões de compras encontrados podem até ser considerados como

comportamento característico dos clientes das redes de varejo em geral,

entretanto, os valores exatos obtidos serão diferentes quando este mesmo

estudo for aplicado a outras firmas. Empresas varejistas que atuem em outras

regiões ou outros segmentos de mercado podem encontrar resultados e

padrões de comportamento diferentes. De qualquer forma, quando estes

modelos forem aplicados em outras bases de dados, será necessário o

acompanhamento de especialistas no setor para confirmarem a relevância e a

coerência das informações obtidas.

78

CAPÍTULO IV ANÁLISES DESCRITIVAS

Primeiramente foi feita a análise das compras isoladamente, sem tentar

identificar os clientes. Cada compra era uma entrada no banco de dados. Para

cada compra se tinha as seguintes informações: data (dia, mês e dia da

semana), valor, a loja onde foi realizada e o número de identificação do cliente.

Foram estudadas as estatísticas descritivas de todas as compras ao mesmo

tempo. Em seguida analisou-se a evolução das compras ao longo do tempo

para tentar detectar a existência de padrões sazonais. Descobertos estes

padrões, o próximo passo foi examiná-los. Por último, estudou-se a diferença

entre as lojas.

Com as informações obtidas através das análises das compras, partiu-se

para a análise dos clientes. Neste caso, cada cliente era uma entrada no banco

de dados. Para cada cliente foi possível obter as informações já citadas sobre

todas as compras que realizou. O objetivo deste estudo foi a detecção de

possíveis características que possam auxiliar na segmentação e na descoberta

de quem são os clientes mais valiosos para a empresa. Tentou-se dividir os

clientes conforme o seu comportamento de compra ao longo do mês, ao longo

da semana e conforme a loja de sua preferência.

O roteiro de todas estas análises está mostrado na Tabela 5.

Tabela 5 Mapa das análises.

IV.1 Análise das compras............................................................................................... 79

IV.1.1 Análise geral de todas as compras ...................................................................... 79

IV.1.2 Análise da evolução das compras ao longo do tempo .......................................... 84

IV.1.3 Análise dos padrões sazonais de compras .......................................................... 89

IV.1.4 Análise por loja ................................................................................................ 111

IV.2 Análise dos clientes .............................................................................................. 117

IV.2.1 Análise geral de todos os clientes ..................................................................... 117

IV.2.2 Segmentação por período do mês .................................................................... 123

IV.2.3 Segmentação por número de dias da semana ................................................... 127

IV.2.4 Segmentação por loja ...................................................................................... 130

79

IV.1. ANÁLISE DAS COMPRAS

Através da análise das compras, a empresa pode dimensionar melhor a

quantidade de funcionários em função da quantidade de compras esperada

para um determinado dia, mantendo o nível de qualidade, mesmo quando o

número de clientes na loja é elevado. Com esta análise, também é possível

descobrir quais os dias em que o volume de vendas é baixo e tentar criar

campanhas de marketing que estimulem os consumidores a comprarem nestes

dias. Esta análise ainda não permite um contato direto com os clientes, nem a

identificação dos mais valiosos, entretanto através da descoberta de padrões

existentes nas compras é possível estendê-los e utilizá-los como base para a

segmentação dos clientes.

IV.1.1. Análise geral de todas as compras

Para servir de base comparativa para as outras análises, o primeiro estudo

incluiu todas as compras, não havendo nenhuma separação quanto ao período

ou à loja onde a compra foi feita

IV.1.1.1. Análise do valor das compras

A primeira variável que foi estudada foi o valor de cada compra realizada.

Conforme pode ser visto na Tabela 6, a base de dados contém 1.209.201

compras. O valor mínimo foi de R$5,00, sendo este valor determinado pela

empresa como o mínimo para a utilização do cartão de fidelização. Para

transações com valores menores que este, não é permitida a utilização do

cartão de fidelização. A maior compra foi de R$21.139,00, que é um valor muito

alto levando-se em consideração que ela foi feita em uma loja de varejo.

Provavelmente, esta compra continha aparelhos eletro-eletrônicos, que são os

itens de maior valor agregados nas lojas. O valor médio das compras foi de

R$110,36, a moda foi R$19,50 e a receita total das compras foi

R$133.450.190,00.

80

Tabela 6 Estatísticas descritivas e percentis do Valor das compras.

Estatística Erro padrão Percentis (%) Valor

Número de casos 1.209.201 5 10,50

Mínimo 5,00 10 15,50

Máximo 21.139 25 30,50

Soma 133.450.190 50 67,50

Média 110,36 75 140,00

Moda 19,50 90 244,00

Desvio Padrão 153,67 95 334,50

Assimetria 14,11 ,0022

Curtose 871,19 ,0045

Observando o coeficiente de assimetria, de curtose e os percentis mostrados

na Tabela 6 é possível observar que a distribuição do valor das compras é

muito assimétrica positivamente. O histograma e o P-P Plot exibidos no Gráfico

6 confirmam esta suspeita (em função da quantidade de dados, não foi

possível fazer estes gráficos com todos os dados, foram utilizados somente 1%

das compras, sorteadas aleatoriamente). É interessante notar que devido à

limitação do valor mínimo para a utilização de cartão, a distribuição não pode

ser considerada uma exponencial. A Tabela 7 mostra o resultado do teste

Kolmogorov-Smirnov que rejeita a hipótese da distribuição do valor das

compras ser exponencial. É interessante notar que devido ao volume de dados,

este teste estatístico perde seu valor pois os intervalos de confiança passam a

ser muito baixos e qualquer perturbação já causa a rejeição da hipótese de

igualdade das distribuições. Por este motivo, nas próximas comparações entre

distribuições só se mostrará os resultados do teste Kolmogorov-Smirnov se ele

indicar similaridade.

81

Valor das compras

48

0 -

50

0

44

0 -

46

0

40

0 -

42

0

36

0 -

38

0

32

0 -

34

0

28

0 -

30

0

24

0 -

26

0

20

0 -

22

0

16

0 -

18

0

12

0 -

14

0

80

- 1

00

40

- 6

0

0 -

20

Histograma

Valor das compras

Núm

ero

de

casos

3.000

2.500

2.000

1.500

1.000

500

0

P-P Plot exponencial

Valor das compras

Probabilidade cumulativa observada

1,00,75,50,250,00

Pro

bab

ilida

de

cu

mula

tiv

a e

spe

rad

a

1,00

,75

,50

,25

0,00

Gráfico 6 Histograma e P-P Plot do Valor das compras.

Tabela 7 Teste Kolmogorov-Smirnov.

Valor das compras

N 11.888

Parâmetro da exponencial a,b

Média 109,28

Diferenças mais extremas Absoluta ,0495

Positiva ,0495

Negativa -,0481

Kolmogorov-Smirnov Z 5,40

Significância (bi -caudal) ,0000

a Distribuição teste é exponencial.

b Calculado dos dados.

IV.1.1.2. Análise do número de dias entre compras de um mesmo

cliente

Para começar a detectar padrões de compras entre os clientes, foi estudado

o número de dias entre compras realizadas por um mesmo cliente. Para cada

compra, foi calculado o intervalo de tempo entre esta compra e a anterior

realizada pelo mesmo cliente. O objetivo de estudar esta variável foi investigar

se há alguma correlação entre o intervalo de tempo e o valor de uma compra.

Intuitivamente, era esperado que, para clientes fiéis, quanto maior o intervalo

de tempo desde a última compra, maior o valor da compra.

82

A Tabela 8 mostra as estatísticas descritivas do número de dias entre

compras realizadas por um mesmo cliente. O número de casos estudados

(1.112.512 casos) foi menor que o número de compras total pois não foi

possível calcular o intervalo de tempo para a primeira compra de cada cliente.

Mesmo considerando que todas as compras realizadas por um mesmo cliente

em uma mesma loja num mesmo dia eram uma compra só, houve casos onde

clientes realizaram compras em lojas diferentes num mesmo dia. Por isso, o

intervalo mínimo entre compras foi zero. O intervalo máximo foi de 359 dias, ou

seja, esta pessoa ficou praticamente um ano sem voltar a uma loja da rede. O

intervalo médio de compras foi de 16,48 dias, que equivale a pouco mais que

duas semanas. Entretanto este valor médio é muito influenciado por valores

extremos e não é a moda e nem a mediana da distribuição. A moda foi o

intervalo de 7 dias. Pela análise dos percentis, é possível verificar que 50% das

compras foram feitas com um intervalo de tempo de até uma semana.

Tabela 8 Estatísticas descritivas e percentis do Número de dias entre

compras.


Número de casos 1.112.512 5 1

Mínimo 0 10 2

Máximo 359 25 4

Média 16,48 50 7

Moda 7 75 17

Desvio Padrão 26,64 90 37

Assimetria 4,43 ,0023 95 62

Curtose 26,81 ,0046

Como pode ser observado na Tabela 8 e no Gráfico 78 a distribuição é

assimétrica positivamente. Como as compras realizadas na mesma loja em um

8 No eixo do “Número de dias entre compras”, o intervalo das barras inclui o valor inferior,

mas não compreende o valor superior escrito no eixo. Por exemplo, na primeira barra, onde

está escrito o intervalo “0-1” no eixo, somente o período de zero dia de intervalo entre compras

está incluso. A barra seguinte, cujo valor do intervalo não está escrito, compreende as compras

83

mesmo dia por um mesmo cliente foram agrupadas, o número de casos que o

intervalo entre compras é igual a zero é muito pequeno. No histograma, é

possível observar que a distribuição não pode ser considerada uma

exponencial, principalmente devido ao grande número de casos em que o

intervalo entre compras é um múltiplo de sete dias, ou seja múltiplos de uma

semana. Esta é uma constatação interessante, pois revela que os clientes

tendem a ter um dia fixo na semana em que realizam suas compras. Este

padrão de repetição de compras semanal é muito maior que o padrão de

compras mensal. No histograma não é nem possível observar uma

concentração do intervalo entre compras próximo a 30 dias.

Número de dias entre compras

38

- 3

9

36

- 3

7

34

- 3

5

32

- 3

3

30

- 3

1

28

- 2

9

26

- 2

7

24

- 2

5

22

- 2

3

20

- 2

1

18

- 1

9

16

- 1

7

14

- 1

5

12

- 1

3

10

- 1

18 -

9

6 -

7

4 -

5

2 -

3

0 -

1

Histograma


Núm

ero

de

casos

1.200

1.000

800

600

400

200

0




1,00,75,50,250,00

Pro

bab

ilida

de

cu

mula

tiva

es

pe

rada

1,00

,75

,50

,25

0,00

Gráfico 7 Histograma e P-P Plot do Número de dias entre compras.

IV.1.1.3. Análise da relação entre o valor das compras e o número de

dias entre compras de um mesmo cliente

Numa tentativa de detectar uma relação entre o valor das compras e o

intervalo de tempo entre a última compra do cliente, foi feita uma regressão em

que a variável independente era o intervalo de tempo e a variável dependente

era o valor da compra. O coeficiente beta, que mede a significância desta

regressão, foi muito baixo (0,09), indicando que não há correlação entre as

variáveis. Para visualizar melhor esta falta de correlação, uti lizou-se 0,01% dos

com um dia de intervalo. Esta mesma convenção vale para todos os histogramas cujos eixos

das abscissas estejam representados por intervalos.

84

dados para construir um gráfico de dispersão entre o intervalo de tempo e o

valor das compras (Gráfico 8). Visualizando este gráfico, não é possível

confirmar a existência de qualquer relação entre os dados, principalmente em

função da enorme quantidade de dados que podem ser considerados outliers.

Valor das compras x



50403020100

Valo

r d

as

com

pra

s

1.000

800

600

400

200

0

Gráfico 8 Gráfico de dispersão entre o Número de dias entre compras e

o Valor das compras.

IV.1.2. Análise da evolução das compras ao longo do tempo

Após a análise de todas as compras, o próximo passo foi estudar a sua

evolução ao longo do ano. Saber como se comporta o volume de compras ao

longo dos meses e dos dias do ano é o primeiro passo para se conseguir fazer

previsões de vendas para períodos específicos. O estudo da evolução das

compras ao longo do tempo também possibilita a descoberta de padrões de

sazonalidades, que ajudam a entender o comportamento dos clientes.

IV.1.2.1. Análise das compras ao longo dos meses do ano

Nesta análise, as compras foram agrupadas conforme os meses em que

foram realizadas. A Tabela 9 mostra as estatísticas descritivas do valor das

compras agrupadas conforme os meses do ano e é possível verificar que há

significativas variações de comportamento com o decorrer dos meses. O mês

com maior número de compras é agosto (116.588 compras), superando

inclusive o mês de dezembro quando o Natal normalmente causa um aumento

85

nas vendas (a comparação entre o número de compras por mês também pode

ser vista no Gráfico 9). Entretanto, dezembro é o mês com maior valor médio

(R$123,44) e maior valor total de compras (R$13.729.916,00) – estes

resultados também podem ser vistos no Gráfico 9.

Em função destes resultados, a empresa deve tentar entender qual foi o

motivo da maior quantidade de vendas em agosto. A causa pode ter sido

fatores econômicos externos, já que o consumo depende das condições

financeiras da população, ou a realização de promoções que estimularam o

consumo neste mês. No caso deste aumento de vendas em agosto ter sido

causado por promoções, cabe à empresa analisar se o resultado final foi

lucrativo ou não.

Tabela 9 Estatísticas descritivas do Valor das compras para os

diferentes meses do ano.

Número de casos

Mínimo Máximo Soma Média Desvio Padrão

Assimetria Curtose

Janeiro 91.465 5,00 6.296 10.315.630 112,78 146,91 7,59 142,65

Fevereiro 91.913 5,00 9.528 10.006.010 108,86 133,35 9,57 386,94

Março 93.796 5,00 16.047 10.437.050 111,27 151,44 23,87 1.816,27

Abril 94.064 5,00 4.060 10.489.020 111,51 134,81 5,68 75,67

Maio 101.288 5,00 8.588 11.534.513 113,88 164,91 9,56 215,31

Junho 104.959 5,00 10.878 11.605.691 110,57 161,80 12,23 420,32

Julho 109.543 5,00 6.101 11.688.460 106,70 143,39 7,95 163,61

Agosto 116.588 5,00 8.550 12.625.400 108,29 155,67 9,50 227,52

Setembro 103.878 5,00 7.116 11.097.365 106,83 149,70 7,66 136,85

Outubro 99.374 5,00 6.307 10.462.016 105,28 137,85 7,62 161,57

Novembro 91.109 5,00 21.139 9.459.114 103,82 179,60 40,90 3.845,64

Dezembro 111.224 5,00 11.667 13.729.916 123,44 172,82 9,99 317,93

Observando a análise dos percentis para o valor das compras (Tabela 10), é

possível perceber que até o percenti l 10% os meses apresentam

comportamento muito semelhantes. Para percentis maiores, o mês de

dezembro passa a se diferenciar apresentando os maiores valores de compras.

Comparando os percentis com o desvio padrão e a assimetria, pode-se

reparar que valores extremos têm uma importância muito grande no cálculo

86

destas estatísticas. O mês de novembro só apresenta o maior desvio padrão e

a maior assimetria devido ao fato da maior compra do ano ter sido realizada

neste mês, já que pela análise dos percentis os seus resultados não são

diferentes dos outros meses.

Mês do ano x Número de Compras

Mês do ano da realização da compra

Dezembro

Novembro

Outubro

Setembro

Agosto

Julho

Junho

Maio

Abril

Março

Feverei ro

Janeiro

Núm

ero

de

co

mpra

s

120.000

110.000

100.000

90.000

80.000

70.000

60.000

50.000

40.000

30.000

20.000

10.000

0

Mês do ano x Valor Médio da Compra


Dezembro

Novembro

Outubro

Setembro

Agosto

Julho

Junho

Maio

Abril

Março

Feverei ro

Janeiro

Valo

r m

édio

das

com

pra

s

130

120

110

100

90

80

70

60

50

40

30

20

10

0

Mês do ano x Valor Total das Compras


Dezembro

Novembro

Outubro

Setembro

Agosto

Julho

Junho

Maio

Abril

Março

Feverei ro

Janeiro

Valo

r to

tal

da

s c

om

pra

s

14.000.000

13.000.000

12.000.000

11.000.000

10.000.000

9.000.000

8.000.000

7.000.000

6.000.000

5.000.000

4.000.000

3.000.000

2.000.000

1.000.000

0

Gráfico 9 Gráfico de barras do número total, média e valor total de

compras em relação ao mês do ano.

A comparação entre médias através do método ANOVA rejeitou a hipótese

de igualdade do valor médio das compras entre os meses do ano. O valor da

estatística F foi de 119,32, que para uma distribuição com 1.209.200 graus de

liberdade no total corresponde a um nível de significância igual a 0,0000, e o

valor do coeficiente R2 foi de 0,001. Esta rejeição já era esperada através da

análise visual do Gráfico 9. Entretanto, o método ANOVA apresenta a mesma

limitação que o teste Kolmogorov-Smirnov, pois devido ao grande número de

dados, o intervalo de confiança para as médias fica muito pequeno, e qualquer

perturbação é suficiente para levar à rejeição da hipótese de igualdade.

87

Tabela 10 Percentis do Valor das compras para os diferentes meses do

ano.

Percentis (%)

5 10 25 50 75 90 95

Janeiro 11,50 16,50 33,00 71,50 143,00 245,00 335,50

Fevereiro 11,00 16,00 32,00 69,50 141,50 242,50 328,00

Março 11,50 16,50 33,00 72,00 145,00 246,00 330,50

Abril 11,50 17,00 33,00 71,50 144,50 247,00 331,50

Maio 11,00 16,00 31,50 69,00 142,50 248,00 339,50

Junho 10,50 15,00 29,50 66,00 140,00 244,50 337,00

Julho 10,50 15,00 29,00 64,50 135,50 237,50 325,00

Agosto 10,00 14,50 29,00 64,50 135,50 239,50 329,50

Setembro 10,00 14,50 28,50 64,00 133,50 236,50 325,50

Outubro 10,00 14,50 29,00 64,00 135,50 235,50 323,50

Novembro 10,00 14,50 27,50 61,00 129,00 232,00 321,50

Dezembro 11,50 16,50 34,00 75,00 153,50 272,50 381,00

Não foi possível fazer a comparação entre o número de dias entre compras

de um mesmo cliente ao longo dos meses do ano pois só há dados a partir de

janeiro de 2000. Deste modo, no mês de janeiro a maioria das compras foi

calculada como se fosse a primeira do cliente, e não há como saber quando foi

a última vez que ele havia feito compra em 1999.

IV.1.2.2. Análise das compras ao longo dos dias do ano

Pode-se entender melhor as variações das compras ao longo dos meses do

ano, através dos gráficos com o número, o valor médio e o valor total das

compras ao longo dos dias do ano (Gráfico 10). É possível observar no gráfico

que o período onde as vendas foram mais fracas foi no início de março e no

final de abril (as linhas pretas nos gráficos dividem os meses do ano). Nestas

datas ocorreram o carnaval e a semana santa respectivamente. Também é

possível notar o aumento das vendas em agosto, principalmente na primeira

quinzena.

88

Dia do ano x Número de Compras

Dia do ano da realização da compra

364,00

343,00

323,00

303,00

282,00

262,00

242,00

222,00

202,00

182,00

162,00

142,00

122,00

102,00

82,00

62,00

42,00

22,00

2,00

Núm

ero

de

co

mpra

s

6.000

5.000

4.000

3.000

2.000

1.000

0

Dia do ano x Valor Médio da Compra


364,00

343,00

323,00

303,00

282,00

262,00

242,00

222,00

202,00

182,00

162,00

142,00

122,00

102,00

82,00

62,00

42,00

22,00

2,00

Valo

r m

édio

da c

om

pra

180

160

140

120

100

80

60

40

20

0

Dia do ano x Valor Total das Compras


364,00

343,00

323,00

303,00

282,00

262,00

242,00

222,00

202,00

182,00

162,00

142,00

122,00

102,00

82,00

62,00

42,00

22,00

2,00

Valo

r to

tal

da

s c

om

pra

s

800.000

700.000

600.000

500.000

400.000

300.000

200.000

100.000

0

Gráfico 10 Número total, média e valor total de compras ao longo dos

dias do ano.

Analisando bem os gráficos é possível perceber que há um padrão sazonal

de alta freqüência, com a repetição dentro de um mês de vários dias com

valores abaixo da média. As funções de auto-correlação parcial para o número

total, a média e o valor total das compras (Gráfico 11) confirmam a existência

deste padrão sazonal. Nestes gráficos as linhas representam as semanas, e é

possível perceber que o padrão sazonal semanal é muito forte. A auto-

correlação para diferenças múltiplas de uma semana é bastante positiva,

revelando que há um padrão de compras que se repete. Observando com

muita atenção, principalmente o gráfico com o valor médio das compras,

também é possível observar que há uma sazonalidade mensal. Este padrão é

mais fraco, entretanto é possível ver que para diferenças de dias entre 10 e 20

dias a correlação é negativa e para diferenças entre 28 e 37 dias a correlação é

positiva.

89

Número de compras

realizadas no dia do ano

Intervalo de tempo (lag)

64

57

50

43

36

29

22

1581

Fun

çã

o d

e a

uto

-co

rre

laçã

o

1,0

,5

0,0

-,5

-1,0

Valor médio das compras



64

57

50

43

36

29

22

1581

Fun

çã

o d

e a

uto

-co

rre

laçã

o

1,0

,5

0,0

-,5

-1,0

Valor total das compras



64

57

50

43

36

29

22

1581

Fun

çã

o d

e a

uto

-co

rre

laçã

o

1,0

,5

0,0

-,5

-1,0

Gráfico 11 Função de auto-correlação do número total, média e valor

total de compras ao longo dos dias do ano.

IV.1.3. Análise dos padrões sazonais de compras

A existência de padrões de compras semanais e mensais indica um

comportamento dos clientes que deverá ser lembrado quando for feita a sua

segmentação. Para entender melhor estes padrões sazonais, o próximo passo

foi estudá-los mais a fundo.

IV.1.3.1. Análise da sazonalidade mensal

A existência de padrões de sazonalidade mensal é causada pelo fato da

maioria das pessoas receber o salário mensalmente. Antes de comentar os

resultados obtidos, é importante saber que a rede de varejo não funcionou nos

dias: 1º de janeiro (ano novo), 16 de outubro (dia do comércio) e 25 de

dezembro (natal). Os resultados também foram muito influenciados pelo fato de

90

fevereiro não possuir 30 dias, pela ocorrência de feriados e pela localização

destes dias dentro da semana.

O Gráfico 12 mostra o número de compras, o valor médio das compras e o

valor total das compras ao longo dos dias dos meses. Os gráficos com o

número de compras e o valor total das compras são os mais influenciados

pelos problemas com datas e feriados. Por exemplo, o menor número de

compras observado no dia 16 pode ser explicado devido à ocorrência do

feriado do dia do comércio.

Estudando o valor médio das compras ao longo dos dias do mês, é possível

observar que ela possui um pico no início do mês e que seus valores diminuem

na metade do mês. Este resultado pode ser uma conseqüência do fato de que

no início do mês, quando as pessoas recebem seus salários, elas tendem a

fazerem compras maiores para abastecerem suas casas. No meio do mês, as

compras passam a conter somente itens que tenham se acabado e produtos

perecíveis.

Para tentar verificar a hipótese de que os clientes comparecem mais às lojas

no início do mês, construiu-se o gráfico do número de dias desde a última

compra em função do dia do mês (Gráfico 13). Era de se esperar que no início

do mês o número de dias desde a última compra fosse maior, entretanto este

fato não foi comprovado. Pelo que é possível concluir, a quantidade de

compras permanece constante ao longo do mês, e por isso o intervalo de

compras não apresenta nenhum padrão que se destaque.

Dia do Mês x Número de Compras

Dia do mês da realização da compra

31,00

29,00

27,00

25,00

23,00

21,00

19,00

17,00

15,00

13,00

11,00

9,00

7,00

5,00

3,00

1,00

Núm

ero

de

co

mpra

s

50.000

40.000

30.000

20.000

10.000

0

Dia do Mês x Valor Médio da Compra


31,00

29,00

27,00

25,00

23,00

21,00

19,00

17,00

15,00

13,00

11,00

9,00

7,00

5,00

3,00

1,00

Valo

r m

édio

das

com

pra

s

130

120

110

100

90

80

70

60

50

40

30

20

10

0

91

Dia do Mês x Valor Total das Compras


31,00

29,00

27,00

25,00

23,00

21,00

19,00

17,00

15,00

13,00

11,00

9,00

7,00

5,00

3,00

1,00

Valo

r to

tal

da

s c

om

pra

s

6.000.000

5.000.000

4.000.000

3.000.000

2.000.000

1.000.000

0


compras em relação ao dia do mês.

Dia do Mês x

Número de dias desde a última compra


31,00

29,00

27,00

25,00

23,00

21,00

19,00

17,00

15,00

13,00

11,00

9,00

7,00

5,00

3,00

1,00

Núm

ero

de

dia

s d

esd

e a

últ

ima c

om

pra

20

16

12

8

4

0

Gráfico 13 Gráfico de barras do número de dias desde a última compra

em relação ao dia do mês.

Para estudar melhor a sazonalidade mensal, os dias do mês foram divididos

em dois grupos, conforme a quinzena do mês a que pertencem: o primeiro

reuniu as compras realizadas entre os dias 29 do mês anterior e 13 do mês

estudado e o segundo agrupou as compras realizadas entre os dias 14 e 28 do

mês observado. Esta divisão foi feita em função dos resultados obtidos no

Gráfico 12 e tem por objetivo dividir os dados conforme a proximidade do

pagamento de salários dos clientes. Como normalmente o pagamento de

salários é feito no início do mês, estando dentro do intervalo entre os dias 29 e

13, era esperado que as compras feitas nesta quinzena apresentassem um

valor maior.

92

Dividindo todas as compras conforme a quinzena em que foram realizadas,

pôde-se confirmar que o valor médio das compras é maior entre os dias 29 e

13 (a Tabela 11 mostra as estatísticas descritivas e os percentis para cada

quinzena). A média das compras realizadas entre os dias 29 e 13 é de

R$114,27 e a das compras realizadas entre os dias 14 e 28 é de R$106,19.

Observando os percentis, é possível verificar que este resultado não ocorreu

devido a existência de outliers. Enquanto que entre os dias 14 e 28 cinco por

cento das compras tiveram valores maiores que R$324,50, entre os dias 29 e

13 cinco por cento das compras possuíram valores maiores que R$342,50.

Este deslocamento para a direita da distribuição dos valores das compras na

quinzena que compreende os dias entre 29 e 13 pode ser confirmada no

Gráfico 14, onde são mostrados os histogramas e os P-P plots.

Tabela 11 Estatísticas descritivas e percentis do Valor das compras

para as quinzenas.

dia 14 a 28 dia 29 a 13 Percentis (%) dia 14 a 28 dia 29 a 13

N 584.701 624.500 5 10,50 11,00

Mínimo 5,00 5,00 10 15,00 16,00

Máximo 21.139,00 16.180,00 25 29,50 32,00

Soma 62.088.175 71.362.014 50 64,00 71,00

Média 106,19 114,27 75 133,00 147,00

Desvio Padrão 152,84 154,35 90 233,50 253,00

Assimetria 16,27 12,16 95 324,50 342,50

Erro Padrão ,0032 ,0031

Curtose 1.162,75 611,23


93

Valor das compras

48

0 -

50

0

44

0 -

46

0

40

0 -

42

0

36

0 -

38

0

32

0 -

34

0

28

0 -

30

0

24

0 -

26

0

20

0 -

22

0

16

0 -

18

0

12

0 -

14

0

80

- 1

00

40

- 6

0

0 -

20

Histograma

Valor das compras (dia 14 a 28)

Núm

ero

de

casos

1.200

1.000

800

600

400

200

0




1,00,75,50,250,00

Pro

bab

ilida

de

cu

mula

tiva

es

pe

rada

1,00

,75

,50

,25

0,00

Valor das compras

48

0 -

50

0

44

0 -

46

0

40

0 -

42

0

36

0 -

38

0

32

0 -

34

0

28

0 -

30

0

24

0 -

26

0

20

0 -

22

0

16

0 -

18

0

12

0 -

14

0

80

- 1

00

40

- 6

0

0 -

20

Histograma


Núm

ero

de

casos

1.200

1.000

800

600

400

200

0




1,00,75,50,250,00

Pro

bab

ilida

de

cu

mula

tiva

es

pe

rada

1,00

,75

,50

,25

0,00

Gráfico 14 Histograma e P-P Plot do valor das compras para as

quinzenas.

A diferença no número de compras e no valor total de compras entre as

duas quinzenas, que pode ser observado no Gráfico 15 e na Tabela 11, não

deve ser levada em consideração devido ao diferente número de dias em cada

grupo. Para contornar este problema, decidiu-se trabalhar com a média diária

de cada quinzena.

Analisando o número de compras por dia entre as duas quinzenas (Tabela

12 e Gráfico 16), é possível perceber que os valores são bastante

semelhantes. A média para a quinzena entre os dias 28 e 13 foi de 3.375

compras por dia e para a outra quinzena a média foi de 3.284. A hipótese de

igualdade de médias é aceita pelo teste ANOVA com um intervalo de confiança

igual a 95%. O valor da estatística F é de 1,86 que equivale a um nível de

significância igual a 0,1729 com 362 graus de liberdade no total.

94

Quinzena x Número de Compras

Se a compra foi feita entre o dia 29 e 13

di a 29 a 13di a 14 a 28

Núm

ero

de

co

mpra

s

650.000

600.000

550.000

500.000

450.000

400.000

350.000

300.000

250.000

200.000

150.000

100.000

50.000

0

Quinzena x Valor Médio da Compra


di a 29 a 13di a 14 a 28V

alo

r m

édio

da c

om

pra

120

100

80

60

40

20

0

Quinzena x Valor Total das Compras


di a 29 a 13di a 14 a 28

Valo

r to

tal

da

s c

om

pra

s

75.000.000

60.000.000

45.000.000

30.000.000

15.000.000

0


compras em relação à quinzena.

Tabela 12 Estatísticas descritivas e percentis do número diário de

compras para as quinzenas.


N 178 185 5 2.144 2.072

Mínimo 1.633 1.112 10 2.411 2.515

Máximo 5.403 5.083 25 2.944 3.047

Soma 584.701 624.500 50 3.291 3.444

Média 3.284,84 3.375,68 75 3.674 3.780

Desvio Padrão 609,46 655,95 90 3.952 4.120

Assimetria -,0084 -,5862 95 4.323 4.339


Curtose ,7357 ,8159


95

Quinzena x

Média diária do número de compras

Se a compra foi realizada entre o dia 29 e 13

di a 29 a 13di a 14 a 28

Méd

ia d

iári

a d

o n

úm

ero

de c

om

pra

s

3.500

3.000

2.500

2.000

1.500

1.000

500

0

Gráfico 16 Gráfico de barras do número diário de compras conforme a

quinzena.

Já para o valor médio diário das compras, não se aceita a hipótese de

igualdade entre as quinzenas através de um teste ANOVA. O valor do

coeficiente R2 foi de 0,10 e o valor da estatística F foi de 41,98 que equivale a

um nível de significância igual a 0,0000 com 362 graus de liberdade no total. O

valor médio diário para a quinzena do dia 29 ao dia 13 foi de R$113,63

enquanto que para a outra quinzena o valor médio diário foi de R$105,79. Uma

comparação melhor entre as duas quinzenas pode ser feita analisando-se o

Tabela 13 e Gráfico 17. Analisando os percentis de ambas as distribuições, é

possível perceber que, até o percentil 95%, o valor médio diário das compras

realizadas entre os dias 29 e 13 é consistentemente maior que a da outra

quinzena. Esta diferença só desaparece para percentis maiores que 95%

devido à ocorrência de outliers.

96

Tabela 13 Estatísticas descritivas e percentis do valor médio diário das



N 178 185 5 90,27 95,55

Mínimo 73,51 79,93 10 92,75 100,11

Máximo 157,62 147,19 25 97,39 106,53

Média 105,79 113,63 50 104,18 113,14

Desvio Padrão 12,27 10,75 75 112,10 120,83

Assimetria 1,1975 -,0587 90 118,32 128,25

Erro Padrão ,1821 ,1787 95 131,01 130,89

Curtose 2,8793 ,2755


Quinzena x

Média diária do valor médio das compras


di a 29 a 13di a 14 a 28

Méd

ia d

iári

a d

o v

alo

r m

éd

io d

as c

om

pra

s

120

100

80

60

40

20

0

Gráfico 17 Gráfico de barras do valor médio diário das compras

conforme a quinzena.

Em virtude da diferença de valores médios, também não se aceita a hipótese

de igualdade de valores totais diários entre as quinzenas (Gráfico 18 e Tabela

14). O valor do coeficiente R2 foi de 0,044 e o valor da estatística F foi de 16,14

que equivale a um nível de significância igual a 0,0001 com 362 graus de

liberdade no total. Para a quinzena que compreende os dias entre 14 e 28, o

valor total médio diário é de R$348.809,00 sendo inferior ao da outra quinzena

(R$385.740,00). Esta diferença também pode ser confirmada através da

análise dos percentis, somente para o percentil 5% a quinzena que engloba os

dias entre 14 e 28 apresenta um valor total diário maior.

97

Tabela 14 Estatísticas descritivas e percentis do valor total diário das



N 178 185 5 223.291 214.449

Mínimo 120.039 88.878 10 254.839 276.750

Máximo 720.093 643.284 25 302.405 342.352

Soma 62.088.175 71.362.014 50 342.403 385.102

Média 348.809 385.740 75 384.492 438.134

Desvio Padrão 84.709 90.206 90 446.019 497.133

Assimetria 1,0795 -,2051 95 517.309 533.706


Curtose 3,2536 ,9275


Quinzena x

Média diária do valor total das compras


di a 29 a 13di a 14 a 28

Méd

ia d

iári

a d

o v

alo

r to

tal d

as

co

mpra

s

400.000

350.000

300.000

250.000

200.000

150.000

100.000

50.000

0

Gráfico 18 Gráfico de barras do valor total diário das compras conforme

a quinzena.

Voltando a analisar as compras isoladamente, sem agrupá-las por dia, o

Gráfico 19 mostra o gráfico de barras do número de dias entre compras e a

Tabela 15 mostra as estatísticas descritivas e percentis do número de dias

entre compras para as quinzenas. O valor médio do número de dias entre

compras é de 16,14 para a quinzena entre os dias 14 e 28 e 16,80 para a

outra. Estes valores são muito parecidos e esta semelhança pode ser

98

confirmada pela análise dos percentis: a diferença máxima para um mesmo

percenti l entre as duas quinzenas é de dois dias.

Tabela 15 Estatísticas descritivas e percentis do número de dias entre



N 546.366 566.146 5 1 1

Mínimo ,00 ,00 10 2 2

Máximo 357,00 359,00 25 4 4

Média 16,14 16,80 50 7 8

Desvio Padrão 26,57 26,71 75 16 18

Assimetria 4,60 4,27 90 36 37

Erro Padrão ,0033 ,0033 95 61 63

Curtose 28,91 24,85


Quinzena x Número de dias entre compras


di a 29 a 13di a 14 a 28

Núm

ero

de

dia

s e

ntr

e c

om

pra

s

18

15

12

9

6

3

0

Gráfico 19 Gráfico de barras do número de dias entre compras conforme

a quinzena.

Observando os histogramas (Gráfico 20) é possível perceber que para as

compras feitas no meio do mês, entre os dias 14 e 28, há uma sazonalidade

semanal um pouco mais forte, representada pela grande quantidade de casos

onde o número de dias entre compras é igual a sete.

99


38

- 3

9

36

- 3

7

34

- 3

5

32

- 3

3

30

- 3

1

28

- 2

9

26

- 2

7

24

- 2

5

22

- 2

3

20

- 2

1

18

- 1

9

16

- 1

7

14

- 1

5

12

- 1

3

10

- 1

18 -

9

6 -

7

4 -

5

2 -

3

0 -

1

Histograma

Número de dias entre compras (dia 14 a 28)

Núm

ero

de

casos

600

500

400

300

200

100

0


38

- 3

9

36

- 3

7

34

- 3

5

32

- 3

3

30

- 3

1

28

- 2

9

26

- 2

7

24

- 2

5

22

- 2

3

20

- 2

1

18

- 1

9

16

- 1

7

14

- 1

5

12

- 1

3

10

- 1

18 -

9

6 -

7

4 -

5

2 -

3

0 -

1

Histograma

Número de dias entre compras (dia 29 a 13)

Núm

ero

de

casos

600

500

400

300

200

100

0

Gráfico 20 Histograma do Número de dias entre compras para as

quinzenas.

Voltando a estudar a média diária em cada quinzena, aceita-se a hipótese

de igualdade da média diária do intervalo de tempo desde a última compra para

as duas quinzenas. Aplicando o teste ANOVA, o valor da estatística F foi de

0,31 que equivale a um nível de significância igual a 0,5769 com 361 graus de

liberdade no total.

Observando todas estas características de padrões de compras mensais, é

possível concluir que o valor médio das compras, e por conseqüência o valor

total das compras, é maior no início do mês em função do recebimento de

salários. Porém, não se observa uma diferença no número de compras nem

nos padrões de freqüência às lojas devido ao período do mês. Ou seja,

conforme o mês passa, os clientes continuam comparecendo às lojas, contudo,

fazendo compras de valores menores.

IV.1.3.2. Análise da sazonalidade semanal

O segundo padrão de compras que foi observado na análise de compras ao

longo dos dias do ano foi o semanal. Através das estatísticas descritivas, dos

percentis e dos gráficos de barras (Tabela 16, Tabela 17 e Gráfico 22

respectivamente), pode-se observar que o número de compras varia muito

dependendo do dia. Sábado e terça-feira são os dias que apresentam o maior

número de transações, com 200.040 e 200.646 respectivamente. Este

resultado já poderia ser esperado para sábado, pois muitas pessoas deixam

100

para fazerem as compras da semana neste dia do final de semana, mas não

para terça-feira. Entretanto, há uma explicação para a quantidade de compras

neste dia inesperado: todas as terças-feiras a rede de varejo promove uma

promoção na seção legumes, verduras e frutas. O dia com maior valor médio

de compras também é sábado (R$119,71), entretanto o desvio padrão neste

dia também é o maior (R$161,28). Segunda-feira é o dia com menor valor

médio por compra (R$99,38) e com menor desvio padrão (R$140,67),

caracterizando-se como o dia onde as compras são mais homogêneas.

Analisando o coeficiente de variação, entretanto, sexta-feira é o dia com o

menor valor (1,3368) e quinta-feira é o dia com o maior (1,4435). O Gráfico 21

mostra o coeficiente de variação para os dias da semana. Como conseqüência

da segunda maior quantidade de vendas e do maior valor médio, sábado é o

dia com maior receita total (R$23.946.034,00), seguido pela terça-feira

(R$20.780.362,00). A análise dos percentis também confirma o maior volume

de compras no sábado. Enquanto que neste dia metade das compras possui

valor acima de R$77,50, na sexta-feira metade das compras tem valor acima

apenas de R$69,50.

Tabela 16 Estatísticas descritivas do valor das compras para os dias da

semana.

Domingo Segunda Terça Quarta Quinta Sexta Sábado

N 122.052 174.082 200.464 169.352 166.352 176.859 200.040

Mínimo 5,00 5,00 5,00 5,00 5,00 5,00 5,00

Máximo 17.171 16.047 11.667 9.802 16.180 6.365 21.139

Soma 13.313.473 17.300.112 20.780.362 19.132.092 19.156.010 19.822.108 23.946.034

Média 109,08 99,38 103,66 112,97 115,15 112,08 119,71

Desvio

Padrão 156,67 140,67 142,62 157,77 166,22 149,83 161,28

Coeficiente

de Variação 1,4363 1,4154 1,3758 1,3965 1,4435 1,3368 1,3473

Assimetria 18,08 17,89 12,53 8,92 15,05 7,99 18,13

Erro Padrão

,0070 ,0059 ,0055 ,0060 ,0060 ,0058 ,0055

Curtose 1.319,20 1.288,81 556,13 231,29 820,86 155,57 1.580,32

Erro Padrão

,0140 ,0117 ,0109 ,0119 ,0120 ,0116 ,0110

101

Dia da Semana x Coeficiente de Variação

0,00

0,30

0,60

0,90

1,20

1,50


Dia da semana da realização da compra

Co

eficie

nte

de

Va

ria

çã

o

Gráfico 21 Gráfico de barras do coeficiente de variação das compras em

relação ao dia da semana.

Tabela 17 Percentis do valor das compras para os dias da semana.

Percentis (%) Domingo Segunda Terça Quarta Quinta Sexta Sábado

5 10,50 10,00 10,50 10,50 10,50 10,50 12,50

10 15,50 14,50 15,00 15,00 15,00 15,50 18,00

25 30,50 27,50 29,00 29,50 30,50 31,00 36,00

50 66,00 59,50 63,50 67,50 69,00 69,50 77,50

75 137,50 125,50 131,50 143,00 146,00 143,50 152,38

90 241,00 223,50 230,00 252,50 256,50 246,00 258,00

95 332,00 307,50 315,00 345,50 353,00 335,50 349,50

Calculando as médias diárias por dia da semana, os resultados são muito

semelhantes. Sábado e terça-feira são os dias com maiores médias diárias de

transações, alcançando uma média superior a 3.800 transações por dia. Na

Tabela 19 e no Gráfico 23 é possível perceber que no sábado o número médio

de compras é de 3.846, na terça-feira é de 3.855, enquanto que na segunda-

feira (o dia com o terceiro maior volume médio) esta média é de 3.481.

Entretanto, sábado e terça-feira também são os dias com maiores desvios

padrões. A análise de percentis (Tabela 18) também confirma o maior número

de compras na terça-feira e no sábado. Enquanto que mais da metade das

terças-feiras tiveram uma quantidade de vendas superior a 3.800, apenas

102

pouco mais de 10% das segundas-feiras tiveram um volume de vendas

superior a este valor.

Dia da Semana x Número de Compras


Sábado

Sexta

Quinta

Quarta

Terça

Segunda

Domingo

Núm

ero

de

ca

so

s

250.000

200.000

150.000

100.000

50.000

0

Dia da Semana x Valor Médio da Compra


SábadoSextaQuintaQuartaTerçaSegundaDomingo

Valo

r m

édio

da c

om

pra

150

120

90

60

30

0

Dia da Semana x

Valor Total das Compras


Sábado

Sexta

Quinta

Quarta

Terça

Segunda

Domingo

Valo

r to

tal

da

s c

om

pra

s

27.000.000

24.000.000

21.000.000

18.000.000

15.000.000

12.000.000

9.000.000

6.000.000

3.000.000

0


compras em relação ao dia da semana.

Tabela 18 Percentis do número médio diário de compras para os dias

da semana.


5 1.662 2.883 3.174 2.727 2.788 2.905 3.160

10 1.897 3.101 3.366 2.781 2.854 3.029 3.293

25 2.066 3.285 3.604 2.947 2.940 3.114 3.557

50 2.342 3.465 3.871 3.221 3.164 3.323 3.772

75 2.548 3.736 4.147 3.551 3.387 3.619 4.089

90 2.721 3.812 4.435 3.746 3.606 3.904 4.546

95 2.826 4.086 4.616 3.877 3.884 4.195 4.872

103

Tabela 19 Estatísticas descritivas do número médio diário de compras

para os dias da semana.


N 53 50 52 52 52 52 52

Mínimo 1.326 2.082 1.112 2.711 2.739 2.774 3.066

Máximo 3.024 4.335 4.840 4.112 4.319 4.666 5.403

Soma 122.052 174.082 200.464 169.352 166.352 176.859 200.040

Média 2.302 3.481 3.855 3.256 3.199 3.401 3.846

Desvio Padrão 343,25 360,64 545,12 366,82 333,79 370,91 479,37

Assimetria -,3923 -,9072 -2,3783 ,2889 1,4112 1,1323 1,0956

Erro Padrão ,3274 ,3366 ,3304 ,3304 ,3304 ,3304 ,3304

Curtose ,1572 3,8063 11,7176 -,8898 2,8897 1,9400 1,6066

Erro Padrão ,6444 ,6619 ,6501 ,6501 ,6501 ,6501 ,6501

Dia da semana x

Média diária do número de compras


Sábado

Sexta

Quinta

Quarta

Terça

Segunda

Domingo

Méd

ia d

iári

a d

o n

úm

ero

de c

om

pra

s

4.000

3.000

2.000

1.000

0

Gráfico 23 Gráfico de barras do número médio diário de compras em

função do dia da semana.

Os valores médios diários também confirmam as observações anteriores.

Através das estatísticas descritivas mostradas na Tabela 20 e no gráfico de

barras mostrado no Gráfico 24, é possível verificar que sábado é o dia com

maior valor médio de compras (R$119,16) e segunda-feira é o dia com o menor

(R$99,16). A análise dos percentis mostradas na Tabela 21 também confirma

o maior valor médio por compras no sábado. Metade dos sábados tiveram um

valor médio por compras superior a R$117,85, enquanto que na quinta-feira o

valor da mediana é de R$114,15.

104

Tabela 20 Estatísticas descritivas do valor diário médio por compra



N 53 50 52 52 52 52 52

Mínimo 73,51 81,79 79,93 95,53 93,24 93,31 97,00

Máximo 151,21 129,99 139,24 140,30 157,62 136,45 147,19

Média 108,01 99,16 103,11 112,51 114,62 111,55 119,16

Desvio Padrão 13,21 8,35 9,65 9,84 11,40 8,88 11,02

Assimetria ,4179 ,8123 ,7955 ,4891 1,2657 ,3965 ,1669

Erro Padrão ,3274 ,3366 ,3304 ,3304 ,3304 ,3304 ,3304

Curtose 1,5494 2,5242 2,6193 ,0871 3,2053 -,0257 -,2364

Erro Padrão ,6444 ,6619 ,6501 ,6501 ,6501 ,6501 ,6501

Tabela 21 Percentis do valor diário médio por compra para os dias da

semana.


5 88,43 87,03 91,17 96,78 99,03 99,69 98,70

10 93,97 88,76 92,23 100,39 102,79 100,47 104,40

25 99,01 94,11 96,62 104,96 106,75 103,88 112,05

50 107,46 97,96 102,12 111,61 114,15 111,58 117,85

75 115,38 104,20 109,90 119,88 119,56 118,11 126,16

90 124,09 107,53 113,89 124,89 130,14 123,76 134,76

95 130,08 112,18 116,35 131,83 135,63 126,72 136,75

Dia da semana x

Média diária do valor médio das compras



Méd

ia d

iári

a d

o v

alo

r m

éd

io d

as c

om

pra

s

140

120

100

80

60

40

20

0

Gráfico 24 Gráfico de barras do valor diário médio por compra em

função do dia da semana.

105

Em função do resultados obtidos anteriormente, maior quantidade e maior

valor médio, sábado é o dia com maior média diária de receitas: R$460.500,00.

Este valor é mais de 15% superior à média da terça-feira (dia com a segunda

maior média). Segunda-feira é o dia com menor valor total médio de vendas

(R$346.002,00) mas com o menor desvio padrão. O Gráfico 25 mostra o

gráfico de barras do valor diário total de compras em função do dia da semana,

a Tabela 22 exibe as estatísticas descritivas e a Tabela 23 mostra os percentis.

Tabela 22 Estatísticas descritivas do valor diário total de compras para

os dias da semana.


N 53 50 52 52 52 52 52

Mínimo 120.039 200.540 88.878 278.126 255.381 274.992 300.539

Máximo 457.261 537.360 642.026 556.006 615.838 636.654 720.093

Soma 13.313.473 17.300.112 20.780.362 19.132.091 19.156.010 19.822.107 23.946.034

Média 251.197 346.002 399.622 367.924 368.384 381.194 460.500

Desvio

Padrão 60.587 53.032 75.522 63.599 65.820 66.014 85.036

Assimetria ,6355 ,7606 -,6265 ,7993 1,3924 1,4260 ,7970

Erro Padrão ,3274 ,3366 ,3304 ,3304 ,3304 ,3304 ,3304

Curtose 1,6511 3,8482 6,1545 ,5434 2,9041 3,5165 ,7107

Erro Padrão ,6444 ,6619 ,6501 ,6501 ,6501 ,6501 ,6501

Tabela 23 Percentis do valor diário total de compras para os dias da

semana.


5 147.495 260.699 305.635 288.211 287.735 285.674 343.440

10 184.625 293.416 324.488 293.707 305.286 314.731 362.872

25 212.149 318.337 357.687 305.724 324.617 340.323 401.713

50 244.855 342.769 397.174 362.601 350.682 369.419 439.630

75 283.390 368.159 438.720 403.768 394.053 420.086 524.146

90 337.625 401.362 468.699 453.477 460.620 454.981 563.476

95 349.304 445.896 525.698 505.377 503.278 515.266 635.222

106

Dia da semana x

Média diária do valor total das compras


Sábado

Sexta

Quinta

Quarta

Terça

Segunda

Domingo

Méd

ia d

iári

a d

o v

alo

r to

tal d

as

co

mpra

s

500.000

400.000

300.000

200.000

100.000

0

Gráfico 25 Gráfico de barras do valor diário total de compras em função

do dia da semana.

Em todas estas comparações o teste ANOVA rejeita a hipótese de igualdade

de valores dos valores médios diários em função do dia de semana.

Voltando a analisar todas as compras sem calcular a média diária, pode-se

perceber que o padrão de freqüência também é diferente em função do dia da

semana (Tabela 24, Tabela 25 e Gráfico 26). O intervalo médio desde a última

compra e o seu desvio padrão são menores na segunda-feira (14,95 e 23,61

respectivamente) e na terça-feira (15,07 e 24,08 respectivamente), indicando

que os clientes que fazem compras nestes dias apresentam um

comportamento mais regular. Em compensação, no sábado e no domingo

estes valores são maiores, indicando que os clientes que escolhem estes dias

para fazerem suas compras não são tão fiéis. Estas observações podem ser

comprovadas também na análise dos percentis que é menos sensível a outliers

do que as estatísticas descritivas. É interessante notar que quarta-feira, quinta-

feira e sexta-feira apresentam valores para as estatísticas descritivas e para os

percentis dos intervalos entre compras muito semelhantes, indicando uma

possível similaridade no padrão de compras dos clientes que preferem estes

dias.

Observando os histogramas do intervalo de tempo desde a última compra

(Gráfico 27) fica mais clara a diferença na freqüência de compras conforme os

dias da semana. O histograma revela que para as compras feitas no domingo,

107

há uma quantidade substancial de casos em que o intervalo desde a última

compra é de 7 e 8 dias, que corresponde ao final de semana anterior. No

sábado há uma grande quantidade de compras feitas com um intervalo de 7

dias. Estes dois histogramas levam à uma conclusão: há um grupo grande de

clientes que preferem realizar suas compras somente no final de semana. Na

terça-feira também é possível perceber uma grande concentração de compras

co intervalo de uma semana. Devido à promoção que acontece neste dia

muitos clientes deixam para fazerem suas compras somente neste dia. Nos

demais dias da semana é possível verificar um fenômeno inverso: em vez de

terem um dia de preferência, os clientes têm um dia em que têm aversão a

fazerem compras. São poucos os casos onde compras feitas em um dia da

semana tiveram sua compra anterior feita em um domingo. Para exemplificar,

no histograma da quarta-feira é possível observar que os intervalos de 3 e 10

dias apresentam poucos casos, e estes intervalos correspondem exatamente a

domingos.

Tabela 24 Estatísticas descritivas do número de dias entre compras



N 110.315 160.175 185.760 156.190 153.633 164.081 182.358

Mínimo 0 0 0 0 0 0 0

Máximo 353 344 352 357 353 359 359

Média 19,55 14,95 15,07 15,81 15,83 16,00 18,95

Desvio Padrão 30,60 23,61 24,08 25,74 26,09 27,00 29,51

Assimetria 3,86 4,72 4,81 4,45 4,51 4,59 4,03

Erro Padrão ,0074 ,0061 ,0057 ,0062 ,0062 ,0060 ,0057

Curtose 19,78 31,31 32,43 27,26 27,84 28,56 21,91

Erro Padrão ,0147 ,0122 ,0114 ,0124 ,0125 ,0121 ,0115

108

Tabela 25 Percentis do número de dias entre compras para os dias da

semana.


5 1 2 1 1 1 1 1

10 2 2 2 1 2 2 2

25 4 4 4 4 3 3 4

50 9 7 7 7 7 7 8

75 21 16 15 16 16 16 21

90 46 33 33 35 35 36 43

95 76 54 55 60 59 61 71

Dia da Semana x




Núm

ero

de

dia

s e

ntr

e c

om

pra

s

21

18

15

12

9

6

3

0

Gráfico 26 Gráfico de barras do número de dias entre compras conforme

o dia da semana.


38

- 3

9

36

- 3

7

34

- 3

5

32

- 3

3

30

- 3

1

28

- 2

9

26

- 2

7

24

- 2

5

22

- 2

3

20

- 2

1

18

- 1

9

16

- 1

7

14

- 1

5

12

- 1

3

10

- 1

18 -

9

6 -

7

4 -

5

2 -

3

0 -

1

Histograma

Número de dias entre compras (domingo)

Núm

ero

de

casos

210

180

150

120

90

60

30

0


38

- 3

9

36

- 3

7

34

- 3

5

32

- 3

3

30

- 3

1

28

- 2

9

26

- 2

7

24

- 2

5

22

- 2

3

20

- 2

1

18

- 1

9

16

- 1

7

14

- 1

5

12

- 1

3

10

- 1

18 -

9

6 -

7

4 -

5

2 -

3

0 -

1

Histograma

Número de dias entre compras (segunda)

Núm

ero

de

casos

210

180

150

120

90

60

30

0

109


38

- 3

9

36

- 3

7

34

- 3

5

32

- 3

3

30

- 3

1

28

- 2

9

26

- 2

7

24

- 2

5

22

- 2

3

20

- 2

1

18

- 1

9

16

- 1

7

14

- 1

5

12

- 1

3

10

- 1

18 -

9

6 -

7

4 -

5

2 -

3

0 -

1

Histograma

Número de dias entre compras (terça)

Núm

ero

de

casos

210

180

150

120

90

60

30

0


38

- 3

9

36

- 3

7

34

- 3

5

32

- 3

3

30

- 3

1

28

- 2

9

26

- 2

7

24

- 2

5

22

- 2

3

20

- 2

1

18

- 1

9

16

- 1

7

14

- 1

5

12

- 1

3

10

- 1

18 -

9

6 -

7

4 -

5

2 -

3

0 -

1

Histograma

Número de dias entre compras (quarta)

Núm

ero

de

casos

210

180

150

120

90

60

30

0


38

- 3

9

36

- 3

7

34

- 3

5

32

- 3

3

30

- 3

1

28

- 2

9

26

- 2

7

24

- 2

5

22

- 2

3

20

- 2

1

18

- 1

9

16

- 1

7

14

- 1

5

12

- 1

3

10

- 1

18 -

9

6 -

7

4 -

5

2 -

3

0 -

1

Histograma

Número de dias entre compras (quinta)

Núm

ero

de

casos

210

180

150

120

90

60

30

0


38

- 3

9

36

- 3

7

34

- 3

5

32

- 3

3

30

- 3

1

28

- 2

9

26

- 2

7

24

- 2

5

22

- 2

3

20

- 2

1

18

- 1

9

16

- 1

7

14

- 1

5

12

- 1

3

10

- 1

18 -

9

6 -

7

4 -

5

2 -

3

0 -

1

Histograma

Número de dias entre compras (sexta)

Núm

ero

de

ca

sos

210

180

150

120

90

60

30

0


38

- 3

9

36

- 3

7

34

- 3

5

32

- 3

3

30

- 3

1

28

- 2

9

26

- 2

7

24

- 2

5

22

- 2

3

20

- 2

1

18

- 1

9

16

- 1

7

14

- 1

5

12

- 1

3

10

- 1

18 -

9

6 -

7

4 -

5

2 -

3

0 -

1

Histograma

Número de dias entre compras (sábado)

Núm

ero

de

casos

210

180

150

120

90

60

30

0

Gráfico 27 Histograma do Número de dias entre compras para as

quinzenas.

Analisando o gráfico de barras que relaciona o dia da semana da realização

da compra com o dia da compra anterior (Gráfico 28) é possível confirmar

algumas das características sazonais já observadas. Das 200.040 compras

realizadas nos sábados, em mais de 40.000 os clientes haviam feito sua

compra anterior em um outro sábado. Este valor corresponde a mais de 20%

110

das compras. No domingo e na terça-feira também se observa este fenômeno

de compras seguidas em um mesmo dia da semana. Nos dias de semana é

possível observar a aversão aos domingos.

Dia da semana da compra anterior


Sábado

Sexta

Quinta

Quarta

Terça

Segunda

Domingo

Nú

mero

de c

asos

50.000

40.000

30.000

20.000

10.000

0

Compra anterior

Domingo

Segunda

Terça

Quarta

Quinta

Sexta

Sábado

Gráfico 28 Gráfico de barras com o dia da semana da compra anterior

conforme o dia da semana.

Resumindo todas as informações obtidas, as principais características dos

dias da semana são:

a. Sábado – Muitos clientes escolheram este dia como o dia em que

preferem fazer suas compras. Por isso, este dia possui forte

sazonalidade semanal, mas o intervalo médio desde a última compra é

maior que a média dos outros dias. Os valores médios das compras são

os maiores mas também são os mais heterogêneos;

b. Domingo – O intervalo médio desde a última compra neste dia é maior

que a média dos outros dias, e os valores médios das compras são

baixos. É o dia com menor volume de vendas. Também apresenta uma

grande heterogeneidade de clientes;

c. Segunda-feira – Apresenta o menor intervalo médio desde a última

compra significando que pode ser o dia escolhido pelos clientes mais fiéis

e homogêneos. Entretanto, os valores médios das compras são os

menores;

111

d. Terça-feira – Apresenta uma grande freqüência de compras, com um

baixo intervalo desde a última compra. Os valores médios das compras

são baixos. É o dia com o segundo maior volume de compras, sendo que

esta característica pode ser uma conseqüência da promoção que existe

neste dia da semana;

e. Quarta-feira, quinta-feira e sexta-feira – Apresentam basicamente as

mesmas características. São os dias que não possuem valores extremos

nem para a freqüência nem para o valor médio das compras.

IV.1.4. Análise por loja

Apesar de já terem sido detectado alguns padrões de comportamento entre

as compras da rede de varejo, é de se esperar que este comportamento não

seja o mesmo se elas fossem separadas por lojas. Com o intuito de detectar

essas possíveis diferenças, as quatro lojas da rede foram analisadas

separadamente para poderem ser comparadas.

As quatro lojas não apresentam a mesma participação no volume de vendas

da empresa. Duas das lojas são responsáveis por mais de 80% do número de

compras (Gráfico 29). O valor médio de cada compra também é diferente por

loja. Há uma loja que possui a média consideravelmente menor que a das

outras. É interessante notar que esta loja é uma das duas que tem um grande

volume de vendas. Deste modo, a outra loja com bom volume de vendas e

elevado valor médio por compra se destaca como a geradora da maior parte da

receita total da empresa, quase 50%.

Observando o número médio de dias entre compras por cliente de cada loja

(Gráfico 30), é possível começar entender porque uma loja possui o valor

médio por compra menor que as outras. Esta loja é a que possui o menor

intervalo tempo médio entre compras, indicando que seus clientes sejam mais

fiéis e freqüentes. Para confirmar esta hipótese o Gráfico 31 mostra o número

de clientes e o número médio de compras por cliente para cada loja. Antes de

se fazer qualquer comentário é necessário explicar que não foi feita nenhuma

seleção de outliers na contagem do número de clientes. Clientes que fizeram

112

suas compras em uma determinada loja, mas que alguma vez também

adquiriram algum produto em outra loja, foram considerados consumidores dos

dois estabelecimentos. Neste gráfico é possível perceber que a loja que possui

a maior receita total é a que possui o maior número de clientes. Em

compensação, a loja que tem o menor valor médio por compra possui uma

quantidade de clientes reduzida, mas que fazem compras freqüentemente. O

número de clientes desta loja é quase o mesmo que o das duas lojas que têm

participação irrisória na receita total, mas devido à freqüência de seus clientes,

que é quase o dobro da média das outras lojas, a sua participação na receita

total chega a aproximadamente 30%.

Lojas x Número de compras

Número do estabelecimento

Loja 4Loja 3Loja 2Loja 1

Núm

ero

de

co

mpra

s

600.000

500.000

400.000

300.000

200.000

100.000

0

Loja x Valor médio da compra



Valo

r m

édio

da c

om

pra

150

120

90

60

30

0

Loja x Valor Total das Compras



Valo

r T

ota

l da

s C

om

pra

s

70.000.000

60.000.000

50.000.000

40.000.000

30.000.000

20.000.000

10.000.000

0


compras por loja.

113

Loja x Número de dias entre compras



Núm

ero

de

dia

s e

ntr

e c

om

pra

s24

20

16

12

8

4

0

Gráfico 30 Gráfico de barras do número de dias entre compras por loja.

Loja x Número de clientes



Núm

ero

de

clien

tes

60.000

50.000

40.000

30.000

20.000

10.000

0

Loja x

Média do número de compras por cliente



Méd

ia d

o n

úm

ero

de

co

mpra

s p

or

clie

nte

20

16

12

8

4

0

Gráfico 31 Gráfico de barras com o número de clientes e a média do

número de compras por cliente para cada loja.

Mês do ano x

Número de compras por loja

Mês da realização da compra

Dezembro

Novembro

Outubro

Setembro

Agosto

Julho

Junho

Maio

Abril

Março

Feverei ro

Janeiro

Núm

ero

de

co

mpra

s

60.000

50.000

40.000

30.000

20.000

10.000

0

Loja

Loja 1

Loja 2

Loja 3

Loja 4

Mês do ano x

Valor médio da compra por loja


Dezembro

Novembro

Outubro

Setembro

Agosto

Julho

Junho

Maio

Abril

Março

Feverei ro

Janeiro

Valo

r m

édio

das

com

pra

s

160

120

80

40

0

Loja

Loja 1

Loja 2

Loja 3

Loja 4

114

Mês do ano x Valor total das compras


Dezembro

Novembro

Outubro

Setembro

Agosto

Julho

Junho

Maio

Abril

Março

Feverei ro

Janeiro

Valo

r to

tal

da

s c

om

pra

s

7.000.000

6.000.000

5.000.000

4.000.000

3.000.000

2.000.000

1.000.000

0

Loja

Loja 1

Loja 2

Loja 3

Loja 4

Gráfico 32 Evolução do número total, média e valor total de compras por

loja ao longo dos meses do ano.

Analisando a evolução do número de compras, do valor médio e do valor

total das compras ao longo do ano (Gráfico 32), é possível perceber que não

houve nenhuma alteração nas relações entre as lojas. A loja que teve o maior

número de vendas e a maior receita total não foi alcançada em nenhum mês, e

a loja com menor valor médio por compra não esboçou nenhuma mudança

neste padrão ao longo do ano.

Loja x

Número de compras por dia da semana



Núm

ero

de c

om

pra

s

100.000

80.000

60.000

40.000

20.000

0

Dia da semana

Domingo

Segunda

Terça

Quarta

Quinta

Sexta

Sábado

Loja x Valor médio das compras

por dia da semana



Va

lor

mé

dio

da

s c

om

pra

s

150

120

90

60

30

0

Dia da semana

Domingo

Segunda

Terça

Quarta

Quinta

Sexta

Sábado

Gráfico 33 Gráfico de barras com o número total e o valor médio das

compras por dia da semana para cada loja.

115

Loja x Número de dias entre compras

por dia da semana



Nú

me

ro d

e d

ias e

ntr

e c

om

pra

s

30

25

20

15

10

5

0

Dia da semana

Domingo

Segunda

Terça

Quarta

Quinta

Sexta

Sábado

Gráfico 34 Gráfico de barras com o número médio de dias entre

compras por loja.

Comparando o padrão de compras ao longo dos dias da semana entre as

lojas (Gráfico 33 e Gráfico 34), é possível perceber que sábado é um dia forte

nas vendas em todas elas. Entretanto, nas duas principais lojas, terça-feira

feira também se destaca devido à promoção na seção de frutas, legumes e

verduras. Em todas as lojas, os dias com maior intervalo entre compras são

sábado e domingo. Este padrão está presente inclusive na loja onde os clientes

são mais freqüentes.

Havia uma dúvida se a evolução das compras por dia da semana poderia

variar em função da loja e da quinzena. O Gráfico 35 mostra esta comparação

para o número e o valor médio das compras entre as duas principais lojas da

rede. Quanto ao número de compras por dia da semana, é possível observar

que na quinzena entre os dias 28 e 13 (quando as pessoas recebem seus

salários) o volume aos sábados é maior que na outra quinzena. Este fato

ocorre nas duas lojas, entretanto, na loja 2, mesmo nesta quinzena, terça-feira

continua sendo o dia com maior número de compras. Outra diferença entre as

duas lojas é o volume de vendas na segunda-feira, na loja 2 na quinzena entre

28 e 13 ele é significativamente maior que nos outros dias úteis (exceto terça-

feira).

Comparando o valor médio das compras, é mais difícil perceber alguma

diferença entre as lojas. Só é possível perceber que na loja 2 o valor médio na

116

quinta-feira, comparando-se com os outros dias da semana, é maior que na

loja 1.

Quinzena x


Loja 1


di a 29 a 13di a 14 a 28

Núm

ero

de

co

mpra

s

50.000

40.000

30.000

20.000

10.000

0

Dia da semana

Domingo

Segunda

Terça

Quarta

Quinta

Sexta

Sábado

Quinzena x Valor médio das compras

por dia da semana

Loja 1


di a 29 a 13di a 14 a 28

Valo

r m

édio

das

com

pra

s

150

120

90

60

30

0

Dia da semana

Domingo

Segunda

Terça

Quarta

Quinta

Sexta

Sábado

Quinzena x


Loja 2


di a 29 a 13di a 14 a 28

Núm

ero

de

co

mpra

s

50.000

40.000

30.000

20.000

10.000

0

Dia da semana

Domingo

Segunda

Terça

Quarta

Quinta

Sexta

Sábado

Quinzena x Valor médio das compras

por dia da semana

Loja 2


di a 29 a 13di a 14 a 28

Valo

r m

édio

das

com

pra

s

150

120

90

60

30

0

Dia da semana

Domingo

Segunda

Terça

Quarta

Quinta

Sexta

Sábado

Gráfico 35 Comparação entre o número de compras e o seu valor médio

entre as duas principais lojas em função da quinzena e do dia

da semana.

Em função de todos estes resultados obtidos ao se comparar a performance

de cada loja separadamente, é interessante notar que mesmo pertencendo à

mesma rede de varejo os seus padrões de compras são bastante diferentes. A

loja 1, mesmo não sendo a mais importante em receita, apresenta um caso

interessante devido ao seu menor número de clientes, que, entretanto, são

mais fiéis. Esta fidelidade pode compensar o menor volume de vendas na

medida que não é necessário fazer tanta propaganda para manter estes

clientes. A empresa deveria estudar cuidadosamente porque esta loja

apresenta um relacionamento muito mais forte com os seus clientes do que as

outras. Será que foram promoções, iniciativas da loja ou simplesmente

117

características do mercado local que proporcionaram esta fidelização?

Respondendo estas perguntas, a companhia poderia tentar replicar esta

característica de sucesso nas outras lojas do grupo.

IV.2. ANÁLISE DOS CLIENTES

Até o momento, somente as compras foram analisadas. Através delas é

possível inferir alguns padrões recorrentes, mas não se é capaz de diferenciar

os clientes individualmente. Conhecer a característica de cada um possibilita a

comunicação personalizada, permitindo a construção e a manutenção de um

relacionamento, quando este for interessante para eles e para a empresa. A

partir de agora, o objeto de estudo passa a ser os clientes e quais são os seus

padrões de compras. Perguntas como quais são os mais freqüentes, quais os

que fazem mais compras e qual a loja que eles preferem tentaram ser

respondidas. Somente através destas respostas é possível para a firma

construir um relacionamento duradouro com os seus clientes.

IV.2.1. Análise geral de todos os clientes

Antes de se tentar fazer qualquer segmentação dos clientes, é interessante

analisar todos ao mesmo tempo. Foram 96.689 clientes que fizeram compras

na rede de varejo e utilizaram o cartão de fidelização. Entretanto, muitos deles

fizeram poucas compras e não devem ser considerados clientes usuais da

empresa. Por isso, só foram estudados os consumidores que fizeram pelo

menos 12 compras nas lojas da rede ao longo do ano de 2000. Fazendo este

corte, foi estudado o comportamento de compra de 32.576 pessoas.

A pessoa que fez o maior número de compras fez 310 aquisições. Esta

freqüência é muito elevada, quase uma vez a cada 1,17 dias em que as lojas

estiveram abertas. Este valor pode ser uma fraude e a empresa deveria tentar

descobrir que é esta pessoa. No total, estes clientes fizeram 953.258 compras,

uma média superior a 2.600 por dia. Cada cliente fez em média 29,26 compras

no ano, ou seja, uma vez a cada 12,4 dias. Somente 10% dos clientes têm uma

média de compras superior a 53 compras por ano, o que seria equivalente a

118

uma compra por semana. Outros 10% fizeram menos do que 13 compras, o

que equivale a praticamente uma compra por mês. Estes valores podem se

verificados nas estatísticas descritivas e na análise de percentis apresentados

na Tabela 26.

Tabela 26 Estatísticas descritivas e percentis do Número de compras

por cliente.


Número de casos 32.576 5 12

Mínimo 12 10 13

Máximo 310 25 16

Soma 953.258 50 23

Média 29,26 75 36

Moda 12 90 53

Desvio Padrão 19,55 95 66


Curtose 12,43 ,0271

A distribuição do número de compras por cliente se assemelha muito com

uma exponencial. A principal diferença que pode ser notada no histograma

(Gráfico 36) é o corte dos clientes que não fizeram no mínimo 12 compras no

ano. Este fato da distribuição apresentar uma forma exponencial é uma

característica interessante para a empresa pois significa que há um grupo

seleto de clientes que é responsável por um percentual elevado de todas as

compras da rede. A firma deve tentar descobrir quem são estes clientes

especiais que fazem compras freqüentemente e tentar construir um

relacionamento com eles.

119

Número de compras

11

2 -

11

6

10

4 -

10

8

96

- 1

00

88

- 9

2

80

- 8

4

72

- 7

6

64

- 6

8

56

- 6

0

48

- 5

2

40

- 4

4

32

- 3

6

24

- 2

8

16

- 2

0

8 -

12

0 -

4

Histograma

Número de compras

Núm

ero

de

casos

8.000

6.000

4.000

2.000

0

Gráfico 36 Histograma do Número de compras por cliente.

Gráfico de Pareto para

o número de compras

Percentual dos clientes

,96

,91

,86

,81

,76

,71

,66

,61

,56

,51

,46

,41

,36

,31

,26

,21

,16

,11

,06

,01

Perc

en

tual

do

núm

ero

de

co

mpra

s t

ota

l

1,00

,80

,60

,40

,20

0,00

Gráfico 37 Gráfico de Pareto para o número de compras.

O Gráfico 37 mostra o gráfico de Pareto entre o número de clientes e o de

compras. É possível verificar que apenas 20% dos clientes são responsáveis

por 40% das compras e que apenas 28% dos clientes respondem por mais de

50% do volume de vendas. Apesar de já ser bastante expressivo, é

interessante lembrar que este resultado não leva em conta os clientes que

fizeram menos de 12 compras ao longo do ano.

As estatísticas descritivas e os percentis do valor médio das compras por

cliente estão mostrados na Tabela 27. É possível verificar que o valor médio

das compra por cliente foi de R$112,73, mas a amplitude é muito alta sendo

que o pior cliente tem um valor médio de compra igual a R$8,13 e o melhor

120

R$5.791,42. Por este motivo, o desvio padrão tem quase o mesmo valor que a

média: R$87,86. A moda da distribuição foi R$94,50. Mais de 10% dos clientes

tiveram um valor médio por compra acima de R$200,00. Levando-se em conta

que estes clientes foram no mínimo 12 vezes à loja durante o ano, estes

clientes certamente gastaram mais de R$2.400,00 nas lojas da rede durante o

ano. Estes também são clientes especiais que deveriam receber um tratamento

especial.

Tabela 27 Estatísticas descritivas e percentis do Valor médio das

compras por cliente.


Número de casos 32.576 5 31,39

Mínimo 8,13 10 40,54

Máximo 5.791,42 25 61,09

Média 112,73 50 94,08

Moda 94,50 75 141,48

Desvio Padrão 87,86 90 201,55

Assimetria 12,09 ,0136 95 250,06

Curtose 587,69 ,0271

O histograma do valor médio de compras por cliente se assemelha muito

com a distribuição lognormal. O Gráfico 38 mostra, além do histograma, o P-P

Plot comparativo com a distribuição lognormal, onde é possível observar a

semelhança entre ambas. Novamente é possível perceber que apenas uma

parcela dos clientes é responsável pelas maiores médias por compras.

121


48

0 -

50

0

44

0 -

46

0

40

0 -

42

0

36

0 -

38

0

32

0 -

34

0

28

0 -

30

0

24

0 -

26

0

20

0 -

22

0

16

0 -

18

0

12

0 -

14

0

80

- 1

00

40

- 6

0

0 -

20

Histograma


Núm

ero

de

casos

6.000

5.000

4.000

3.000

2.000

1.000

0

P-P Plot Lognormal



1,00,75,50,250,00

Pro

bab

ilida

de

cu

mula

tiva

es

pe

rada

1,00

,75

,50

,25

0,00

Gráfico 38 Histograma e P-P Plot do Valor médio das compras por

cliente.

Analisando agora o gasto total por cliente ao longo de 2000, a Tabela 28

mostra as estatísticas descritivas e os percentis do valor total das compras por

cliente. O cliente que mais gastou nas lojas da rede adquiriu R$78.693,00 em

compras. Este valor é extremamente elevado e se não for uma fraude, deve ser

resultado de compras de eletrodomésticos ou eletro-eletrônicos. Na média, os

clientes gastaram R$3.009,62 no ano, que corresponde a pouco mais de

R$250,00 por mês. Em compensação, 50% dos clientes consumiram mais de

R$2.370,25 e 10% compraram mais de R$5.723.95, que equivale a mais de

R$475,00 por mês.

Tabela 28 Estatísticas descritivas e percentis do Valor total das



Número de casos 32.576 5 648,92

Mínimo 127,00 10 881,50

Máximo 78.693 25 1.424,50

Soma 98.041.466 50 2.370,25

Média 3.009 75 3.803,50

Moda 967,00 90 5.723,95

Desvio Padrão 2.697 95 7.305,28


Curtose 101,74 ,0271

122

A distribuição do valor total também se assemelha muito com um lognormal,

fato que pode ser observado através do histograma e do P-P Plot (Gráfico 39).


14

.000 -

14

.500

13

.000 -

13

.500

12

.000 -

12

.500

11

.000 -

11

.500

10

.000 -

10

.500

9.0

00 - 9

.500

8.0

00 - 8

.500

7.0

00 - 7

.500

6.0

00 - 6

.500

5.0

00 - 5

.500

4.0

00 - 4

.500

3.0

00 - 3

.500

2.0

00 - 2

.500

1.0

00 - 1

.500

0 -

500

Histograma


Núm

ero

de

casos

5.000

4.000

3.000

2.000

1.000

0

P-P Plot Lognormal



1,00,75,50,250,00

Pro

bab

ilida

de

cu

mula

tiva

es

pe

rada

1,00

,75

,50

,25

0,00

Gráfico 39 Histograma e P-P Plot do Valor total das compras por cliente.

Gráfico de Pareto para

o valor total das compras

Percentual dos clientes

,96

,91

,86

,81

,76

,71

,66

,61

,56

,51

,46

,41

,36

,31

,26

,21

,16

,11

,06

,01

Perc

en

tual

do

valo

r to

tal

da

s c

om

pra

s

1,00

,80

,60

,40

,20

0,00

Gráfico 40 Gráfico de Pareto para o valor total das compras

O Gráfico 40 mostra o gráfico de Pareto entre o valor total das compras e o

número de clientes. É possível verificar que apenas 22% dos clientes são

responsáveis por metade das receitas. Estes são os clientes que deveriam

receber uma atenção especial da empresa.

Repetindo a tentativa de se montar uma regressão que explique o valor

médio das compras pela freqüência com que o cliente vai a loja, os resultados

obtidos foram melhores mas continuam sendo não significativos. O poder de

explicação do valor médio das compras através do número de compras do

cliente é muito baixo. A correlação entre ambos, que pode ser visto na Tabela

123

29 como coeficiente beta, é de apenas –0,1683. A correlação negativa significa

que a medida que o cliente faz mais compras, o valor médio da compra diminui.

Tabela 29 Regressão Número de compras por cliente x Valor médio das


Coeficientes a

(Constante) Número de

compras

Coeficientes não padronizados

B 134,86 -,76

Erro padrão ,8639 ,0245

Coeficientes padronizados Beta -,1683

T 156,11 -30,81

Significância. ,0000 ,0000

Intervalo de confiança 95% para B

Limite inferior 133,17 -,80

Limite superior 136,55 -,71

a Variável dependente: Valor médio das compras

Ficou claro nestes estudos que há um grupo de clientes mais lucrativo e fiel.

O próximo passo foi tentar descobrir se há algum padrão de compra que torne

possível identificar estes clientes. Estes padrões podem ser o período do mês,

o dia da semana ou a loja onde preferem fazer suas compras.

IV.2.2. Segmentação por período do mês

O primeiro critério de segmentação tem por objetivo verificar se é possível

identificar os principais clientes da organização através do período do mês em

que concentram suas compras. Serão utilizadas as mesmas quinzenas da

análise das compras: entre os dias 14 e 28 do mesmo mês e entre o dia 29 do

mês anterior e o dia 13. Se o consumidor tiver mais de 70% do valor total de

suas compras em uma destas quinzenas ele será classificado como cliente da

mesma, caso ele não concentre suas compras ele será classificado como „Sem

quinzena‟.

A Tabela 30 mostra as estatísticas descritivas e os percentis do número de

compras conforme a segmentação por quinzena e o Gráfico 41 exibe o gráfico

de barras do número, média e valor total de compras conforme a segmentação

124

por quinzena. Os clientes que preferem realizar suas compras entre os dias 29

e 13 têm uma freqüência de compras um pouco maior que os clientes que

preferem o meio e o final do mês, 21,42 contra 19,75 respectivamente.

Entretanto, estes que pertencem a uma das duas quinzenas realizam, na

média, um número menor de compras que os compradores que foram

classificados como „Sem quinzena‟ (31,39). Esta freqüência menor de compras

pode ser observada também nos percentis. Na verdade, apenas 20% dos

clientes puderam se classificados em um dos períodos do mês. A grande

maioria dos clientes não concentra suas compras em algumas das quinzenas.


conforme a segmentação por quinzena.

dia 14 a 28

dia 29 a 13

Sem quinzena

Percentis (%)

dia 14 a 28

dia 29 a 13

Sem quinzena

N 2.072 4.532 25.972 5 12,00 12,00 12,00

Mínimo 12 12 12 10 12,00 12,00 14,00

Máximo 109 128 310 25 13,00 14,00 17,00

Soma 40.926 97.067 815.265 50 17,00 18,00 25,00

Média 19,75 21,42 31,39 75 22,75 25,00 39,00

Desvio Padrão 9,52 11,22 20,68 90 32,00 35,00 57,00

Assimetria 2,78 2,57 2,47 95 39,00 44,35 70,00

Erro Padrão ,0538 ,0364 ,0152

Curtose 13,07 10,35 11,19

Erro Padrão ,1075 ,0727 ,0304

Apesar de fazerem menos compras, os consumidores que pertencem a uma

das duas quinzenas as realizam com valor médio maior. Isto deve acontecer

pois, como eles vão menos freqüentemente às lojas, suas compras devem ser

suficientes para abastecê-los por um período maior de dias. A Tabela 31

mostra as estatísticas descritivas e os percentis do valor médio das compras


125

Tabela 31 Estatísticas descritivas e percentis do valor médio das

compras conforme a segmentação por quinzena.

dia 14

a 28

dia 29

a 13

Sem

quinzena

Percentis

(%)

dia 14

a 28

dia 29

a 13

Sem

quinzena

N 2.072 4.532 25.972 5 33,64 34,65 30,57

Mínimo 13,63 8,36 8,13 10 43,41 46,27 39,57

Máximo 1.729,91 2.542,37 5.791,42 25 66,26 69,76 59,48

Média 127,49 127,27 109,01 50 105,97 105,29 91,29

Desvio Padrão 95,75 95,47 85,40 75 159,77 160,19 136,99

Assimetria 4,14 5,78 14,61 90 238,35 226,34 194,54

Erro Padrão ,0538 ,0364 ,0152 95 293,17 284,17 238,57

Curtose 45,39 101,57 793,71

Erro Padrão ,1075 ,0727 ,0304

Mesmo tendo um valor médio de compras maior, os clientes que concentram

suas compras gastam menos por mês. Os clientes classificados como “Sem

quinzena” gastaram em média R$3.140,00 ao longo do ano 2000. Em

compensação, os clientes que preferem a quinzena entre os dias 14 e 28

gastaram R$2.419,00 e os da outra quinzena R$2.530,00. Comparando as

duas quinzenas, os clientes do início do mês são melhores que os do meio do

mês. A Tabela 32 exibe as estatísticas descritivas e os percentis do valor total

das compras conforme a segmentação por quinzena.

A conclusão que pode ser tirada em função do comportamento dos clientes

ao longo das quinzenas é que o melhor consumidor é aquele que vai sempre

na loja, independentemente do período do mês. Este cliente não concentra

suas compras em período algum, e por isso está sempre comprando na rede

de varejo.

126

Tabela 32 Estatísticas descritivas e percentis do valor total das

compras conforme a segmentação por quinzena.

dia 14

a 28

dia 29

a 13

Sem

quinzena

Percentis

(%)

dia 14

a 28

dia 29

a 13

Sem

quinzena

N 2.072 4.532 25.972 5 534,83 611,33 671,50

Mínimo 186,50 127,00 136,00 10 733,15 824,80 905,15

Máximo 65.736 76.271 78.693 25 1.165,38 1.343,50 1.472,00

Soma 5.014.215 11.469.096 81.558.156 50 1.916,50 2.117,00 2.469,00

Média 2.419 2.530 3.140 75 3.096,38 3.176,88 3.982,50

Desvio Padrão 2.260 2.143 2.799 90 4.572,15 4.552,90 6.014,20

Assimetria 11,67 11,23 5,63 95 5.844,25 5.678,85 7.607,85

Erro Padrão ,0538 ,0364 ,0152

Curtose 299,64 325,25 80,37

Erro Padrão ,1075 ,0727 ,0304

Média do número de compras x

Segmentação por quinzena


Sem quinzenadi a 29 a 13di a 14 a 28

Méd

ia d

o n

úm

ero

de

co

mpra

s

35

30

25

20

15

10

5

0

Valor médio das compras x




Valo

r m

édio

das

com

pra

s

150

120

90

60

30

0

Valor total das compras x


Segmentação quinzena


Valo

r to

tal

da

s c

om

pra

s

3.500

3.000

2.500

2.000

1.500

1.000

500

0



127

IV.2.3. Segmentação por número de dias da semana

Este segundo critério tem por objetivo verificar se é possível segmentar os

clientes através da quantidade de dias da semana em que preferem fazer

compras. Se o consumidor realizou 50% ou mais dos seus gastos em um dia

específico da semana, ele foi classificado como „Um dia‟. Se ele fez menos de

50% das compras em somente um dia, mas concentrou 80% ou mais de seus

gastos em dois determinados dias da semana, ele foi classificado como „Dois

dias‟. E se ele não obedeceu nenhum destes critérios ele foi classificado como

„Sem dia‟. Espera-se que os clientes que concentram suas compras em um ou

dois dias da semana sejam muito fiéis à loja e que suas compras não tenham

valores médios tão baixos.

Conforme pode ser visto na Tabela 33 e no Gráfico 42, os clientes que

fizeram suas compras em um ou dois dias são menos freqüentes e realizaram

menos compras em média. Isto pode ser confirmado tanto através da média

como dos percentis. Enquanto que os clientes classificados como “Sem dia”

realizaram em média 30 compras na rede, os clientes “Um dia” fizeram 24,67 e

os clientes “Dois dias” 22,16. Como havia acontecido com a segmentação

anterior, somente uma pequena parcela de todos os compradores (19%) foi

classificada como clientes de um ou dois dias.


conforme a segmentação por número de dias da semana.

Sem dia Um dia Dois dias Percentis (%) Sem dia Um dia Dois dias

N 26.246 5.815 515 5 12 12 12

Mínimo 12 12 12 10 13 12 12

Máximo 310 124 89 25 16 14 14

Soma 798.371 143.473 11.414 50 24 20 18

Média 30,42 24,67 22,16 75 37 30 26

Desvio Padrão 20,48 14,26 12,00 90 55 46 38

Assimetria 2,59 1,81 2,10 95 69 54 47

Erro Padrão ,0151 ,0321 ,1076

Curtose 12,00 4,02 5,52

Erro Padrão ,0302 ,0642 ,2148

128

Mesmo realizando menos compras, o valor médio dos clientes que

concentram suas compras em somente um ou dois dias da semana é

consideravelmente maior quer o dos outros clientes. A médias dos cientes que

concentram suas compras em somente um dia da semana é R$129,16 contra

R$108,78 dos clientes não classificados. Esta diferença corresponde a 18,74%

do valor médio dos compradores „Sem dia‟ (Tabela 34 e Gráfico 42).

Tabela 34 Estatísticas descritivas e percentis do valor médio das

compras conforme a segmentação por número de dias da

semana.


N 26.246 5.815 515 5 30,23 36,81 37,99

Mínimo 8,13 8,36 8,86 10 39,38 47,01 50,57

Máximo 5.791,42 1.126,37 567,63 25 58,92 72,24 71,98

Média 108,78 129,16 128,25 50 90,52 110,28 108,64

Desvio Padrão 87,33 88,84 80,58 75 136,25 160,80 169,42

Assimetria 14,57 2,97 1,68 90 194,76 225,72 230,15

Erro Padrão ,0151 ,0321 ,1076 95 241,75 282,54 286,95

Curtose 745,23 18,28 4,13

Erro Padrão ,0302 ,0642 ,2148

Em função deste maior valor médio de compras, os clientes que preferem

realizar suas compras em somente um dia da semana possuem um valor total

médio de compras maior: R$3.087,01 e R$2.996,64 respectivamente (Tabela

35 e Gráfico 42). Apesar de pequena, esta superioridade é comprovada

estatisticamente através da comparação de médias pelo teste-t entre amostras

independentes com um intervalo de confiança igual a 95%. A hipótese de

igualdade entre as médias é rejeitada pois o valor da estatística t é de –2,26,

com 8.394 graus de liberdade (não assumindo a igualdade de variâncias),

resultando numa significância bi-caudal de 0,024.

129

Tabela 35 Estatísticas descritivas e percentis do valor total das

compras conforme a segmentação por número de dias da

semana.


N 26.246 5.815 515 5 651,67 628,50 617,60

Mínimo 127,00 146,50 273,50 10 888,00 853,50 868,40

Máximo 78.693 49.158 24.923 25 1.428,00 1.416,00 1.290,50

Soma 78.649.693 17.950.946 1.440.827 50 2.376,00 2.366,50 2.161,50

Média 2.996 3.087 2.797 75 3.797,00 3.885,00 3.472,00

Desvio Padrão 2.685 2.776 2.398 90 5.663,95 6.000,20 5.330,80

Assimetria 6,83 4,20 3,12 95 7.191,15 7.736,00 8.247,00

Erro Padrão ,0151 ,0321 ,1076

Curtose 118,97 37,52 17,61

Erro Padrão ,0302 ,0642 ,2148


Segmentação por número de dias da semana


Dois diasUm diaSem dia

Méd

ia d

o n

úm

ero

de

co

mpra

s

35

30

25

20

15

10

5

0




Dois diasUm diaSem dia

Valo

r m

édio

das

com

pra

s

150

120

90

60

30

0


Segmentação número de dias da semana


Dois diasUm diaSem dia da semana

Valo

r to

tal

da

s c

om

pra

s

3.500

3.000

2.500

2.000

1.500

1.000

500

0


conforme a segmentação por número de dias da semana.

130

A conclusão que pode ser tirada desta segmentação por número de dias da

semana em que concentram suas compras é que as pessoas que as fazem

compras em um determinado dia da semana realmente apresentam algumas

características bem atrativas para a empresa. Apesar de não serem os clientes

mais freqüentes, seu volume total de compras é maior que a média.

IV.2.4. Segmentação por loja

A última segmentação que foi feita é a separação dos clientes por lojas. Se

uma pessoa teve uma freqüência em uma determinada loja maior ou igual a

80% do número total suas de compras ela foi classificada como cliente desta

loja.

Tabela 36 Estatísticas descritivas do número de compras conforme a

segmentação por loja.

Sem loja Loja 1 Loja 2 Loja 3 Loja 4

N 891 12.276 13.689 4.506 1.214

Mínimo 12 12 12 12 12

Máximo 197 310 239 227 216

Soma 20.878 389.785 406.430 105.299 30.866

Média 23,43 31,75 29,69 23,37 25,43

Desvio Padrão 16,01 20,93 19,78 13,85 16,83

Assimetria 4,45 2,58 2,37 3,06 3,48

Erro Padrão ,0819 ,0221 ,0209 ,0365 ,0702

Curtose 32,23 13,00 9,06 19,80 22,17

Erro Padrão ,1637 ,0442 ,0419 ,0729 ,1403

131

Tabela 37 Percentis do número de compras conforme a segmentação

por loja.

Percentis (%) Sem loja Loja 1 Loja 2 Loja 3 Loja 4

5 12,00 13,00 12,00 12,00 12,00

10 13,00 14,00 13,00 12,00 13,00

25 14,00 17,00 16,00 14,00 15,00

50 19,00 25,00 23,00 19,00 20,00

75 27,00 39,00 37,00 27,00 30,00

90 37,00 57,00 54,00 41,00 44,00

95 50,00 71,00 67,50 51,00 56,00

A Tabela 36 mostra as estatísticas descritivas do número de compras

conforme a segmentação por loja e o Gráfico 43 exibe o gráfico de barras do

número, média e valor total de compras conforme a segmentação por loja. Ao

contrário dos outros critérios de segmentação, apenas 3% não foram

classificados segundo este critério. Os clientes das lojas 1 e 2 são os mais

freqüentes, sendo que os primeiros são um pouco mais. Apesar de pequena,

esta superioridade é comprovada estatisticamente através do comparação de

médias pelo teste-t entre amostras independentes, o valor da estatística t é de

8,13, com 25.271 graus de liberdade (não assumindo a igualdade de

variâncias), resultando numa significância bi-caudal de 0,000. Através da

análise de percentis exibida na Tabela 39 é possível confirmar a maior

freqüência dos clientes da loja 1 e da loja 2. Enquanto que 25% dos clientes da

loja 1 fizeram 39 compras ou mais durante o ano, na loja 3 apenas 10% dos

clientes fizeram 41 compras ou mais.

132

Tabela 38 Estatísticas descritivas do valor médio das compras

conforme a segmentação por loja.


N 891 12.276 13.689 4.506 1.214

Mínimo 15,21 8,20 8,13 8,44 13,34

Máximo 2.185,73 5.791,42 2.542,37 799,28 970,73

Soma 116.119 1.255.564 1.639.307 520.641 140.547

Média 130,32 102,28 119,75 115,54 115,77

Desvio Padrão 144,80 85,45 88,51 75,45 81,13

Assimetria 7,62 25,61 4,66 2,04 2,74

Erro Padrão ,0819 ,0221 ,0209 ,0365 ,0702

Curtose 84,71 1.609,55 69,22 8,10 15,60

Erro Padrão ,1637 ,0442 ,0419 ,0729 ,1403

Tabela 39 Percentis do valor médio das compras conforme a



5 31,98 29,72 32,31 32,12 34,62

10 41,12 38,17 42,56 42,09 43,39

25 64,74 56,83 64,39 63,70 61,91

50 101,66 86,68 100,18 97,81 93,20

75 150,79 129,09 150,19 147,74 146,33

90 224,41 181,31 215,96 207,71 216,35

95 299,95 219,22 269,06 255,66 258,86

Passando a analisar o valor médio por compra, os clientes da loja 1 já não

apresentam um bom desempenho. Através das estatísticas descritivas exibidas

na Tabela 38 pode-se verificar que a sua média (R$102, 28) é a menor de

todas, correspondendo a 85% da média dos clientes da loja 2 (R$119,75), a

maior de todas. Comparando os percentis exibidos na Tabela 39 é possível

comprovar a maior média dos clientes da loja 2, onde 25% dos clientes têm um

valor médio por compra acima de R$150,00.

133

Tabela 40 Estatísticas descritivas do valor total das compras conforme

a segmentação por loja.


N 891 12.276 13.689 4.506 1.214

Mínimo 182,50 150,50 127,00 136,00 174,00

Máximo 62.376 69.497 78.693 41.562 22.908

Soma 2.639.466 35.728.308 44.924.545 11.454.100 3.295.047

Média 2.962 2.910 3.281 2.541 2.714

Desvio Padrão 4.285 2.284 3.048 2.157 2.276

Assimetria 7,69 5,04 6,24 5,06 3,06

Erro Padrão ,0819 ,0221 ,0209 ,0365 ,0702

Curtose 79,52 86,45 96,86 56,52 15,27

Erro Padrão ,1637 ,0442 ,0419 ,0729 ,1403

Tabela 41 Percentis do valor total das compras conforme a



5 605,30 676,93 656,00 580,67 684,63

10 808,50 907,00 905,00 780,35 911,75

25 1.211,50 1.454,13 1.490,75 1.261,75 1.305,13

50 2.021,50 2.380,75 2.539,00 2.043,75 2.089,00

75 3.324,50 3.761,38 4.166,00 3.168,00 3.327,50

90 5.244,40 5.445,60 6.328,00 4.718,20 5.167,25

95 7.621,00 6.836,37 8.079,00 6.137,40 6.797,88

Como era de se esperar, os clientes da loja 2 são os que apresentam a

maior média de compras ao longo do ano 2000. Analisando as estatísticas

descritivas exibidas na Tabela 40 é possível observar que a média dos gastos

destes clientes foi de R$3.281,00. Mesmo não tendo uma grande média por

compra, os clientes da loja 1 apresentam a segunda maior média de consumo

durante o ano graças à sua freqüência à loja: R$2.910.00. Observando os

percentis mostrados na Tabela 41, é possível perceber que na loja 2, dez por

cento dos clientes gastaram mais de R$6.300,00 durante o ano, que

corresponde a mais de R$525,00 por ano. Em compensação, analisando os

desvios padrão, pode-se constatar que os clientes da loja 1 são mais

134

homogêneos. Enquanto que o seu desvio padrão é de R$2.284,00, o dos

clientes da loja 2 é de R$3.084,00.


Segmentação por loja


Loja 4Loja 3Loja 2Loja 1Sem loj a

Méd

ia d

o n

úm

ero

de

co

mpra

s

35

30

25

20

15

10

5

0





Valo

r m

édio

das

com

pra

s

150

120

90

60

30

0





Valo

r to

tal

da

s c

om

pra

s

3.500

3.000

2.500

2.000

1.500

1.000

500

0


conforme a segmentação por loja.

Estes resultados confirmam as conclusões tiradas na análise das compras

por loja: os clientes da loja 1 são mais freqüentes e consomem menos por

compra. Por outro lado, os clientes da loja 2 são os que mais gastam em suas

compras. Mas será que a empresa não precisa de maiores gastos em

propaganda para manter os clientes da loja 2 do que os da loja 1? Cabe à

empresa fazer este estudo e responder esta pergunta.

135

CAPÍTULO V CONCLUSÃO

V.1. A IMPORTÂNCIA DO CRM

Neste trabalho, tentou-se mostrar a importância do CRM e como a utilização

de técnicas quantitativas pode ajudar muito na construção do relacionamento

entre empresas e clientes. Para mostrar a importância que o CRM está tendo

no mundo atual, foi feita uma revisão da literatura onde diversos autores

concordam que a criação de um relacionamento de longo prazo com seus

clientes pode ser o caminho para muitas empresas frente ao aumento da

concorrência. Também foi possível constatar que a tecnologia, hoje em dia,

está tornando cada vez mais viável este relacionamento possibilitando a

customização da comunicação e da produção em massa. Estes fatos, entre

outros, vem despertando a curiosidade do meio acadêmico e empresarial para

o CRM.

Entre os diversos benefícios do CRM, a principal vantagem é a fidelização

dos clientes. Através da repetição de compras bem sucedidas, onde suas

expectativas foram atingidas ou superadas, o cliente vai se tornando mais fiel a

uma empresa e mais inacessível a seus concorrentes. Deste modo, a

organização não precisa fazer pesados investimentos em propaganda para

manter ou buscar novos clientes. Além disso, quando o faz, sua comunicação é

muito mais direta e eficiente. Contudo, apesar da redução nos custos diretos de

manutenção e de aquisição de clientes, estar sempre atendendo os seus

desejos traz outras despesas para a empresa. Por isto, este relacionamento

não deve ser construído com todos os clientes, cabendo à organização calcular

quem são os mais valiosos. Para calcular o valor de um cliente, a empresa não

deve levar em conta somente o seu comportamento atual, pois há muitos casos

onde a mudança de perfil de um consumidor é esperada. As empresas devem

estar atentas a estes momentos, pois a mudança pode representar uma grande

oportunidade. Outro fato para o qual as firmas precisam estar atentas é que o

136

relacionamento não é construído de um dia para o outro, e nem é eterno. Elas

precisam estar continuamente criando valor para seus clientes segundo o

ponto de vista deles.

Um dos motivos que desperta tanta atenção para o CRM é que o conceito

de relacionamento, que embora não seja novo, parece difícil de ser

implementado num mundo dominado pela produção em massa e pela

preocupação com custos. Calcular o valor de um cliente e estar sempre criando

valor para eles não são tarefas triviais, pois dependem do comprometimento de

toda a firma e do tipo da indústria onde a empresa atua.

O primeiro passo para colocar o CRM em funcionamento é obter o máximo

de informações sobre os clientes. Somente assim, uma empresa saberá quem

são seus melhores clientes e como agradá-los. Neste contexto, os bancos de

dados, o data warehouse e o data mining são ferramentas muito úteis na

obtenção, armazenamento, manipulação e extração de conhecimento a partir

destes dados. Os bancos de dados e o data warehouse permitem que estas

informações sejam armazenadas de forma segura, que estejam sempre

atualizadas e que possam ser manipuladas de forma fácil. Já o data mining

viabiliza a extração de conhecimento a partir destes dados. O data mining

utiliza o avanço tecnológico para extrair o conhecimento de grandes bases de

dados, conseguindo informações que dificilmente poderiam ser obtidas por

outros métodos. Apesar de muitos autores afirmarem que o data mining é uma

ferramenta de fácil utilização, há controvérsias pois ele utiliza modelos

quantitativos bastante complexos. Diz-se que por utilizar modelos de

inteligência artificial o data mining não necessita qualquer interferência

humana, pois toda informação pode ser obtida exclusivamente pelo

computador. Contudo, isto não é totalmente verdade, pois estas informações

precisam sempre ser confrontadas com a realidade, não devendo ser

encaradas como verdade absoluta. Muitas vezes é necessário a interferência

humana para compatibilizar os modelos com a realidade e devido à

complexidade do data mining esta tarefa exige mão-de-obra muito

especializada. Mesmo assim, atualmente, já há vários exemplos de empresas

137

que conseguiram melhorar o relacionamento com os seus clientes através das

informações obtidas utilizando-se o data mining e o CRM.

Um exemplo de indústria onde o CRM pode causar uma revolução é o

varejo. Devido ao contato direto com os clientes e com o advento das compras

on line, a obtenção de informações sobre o seu comportamento de compra e a

criação de valor para eles deixaram de ser tarefas impossíveis. No Brasil

especificamente, devido ao grande grau de concorrência entre as principais

empresas, o CRM poderá ser ainda mais útil. É exatamente na indústria

varejista onde este trabalho mostra um exemplo de como é possível obter

conhecimento com a utilização de técnicas quantitativas simples.

V.2. RESULTADOS E CONCLUSÕES DA ANÁLISE DOS DADOS

Dada a competitividade atual do mercado varejista, uma empresa que

consiga extrair o máximo de informações sobre seus clientes e construir um

relacionamento de longo prazo com eles estará obtendo uma importante

vantagem competitiva. Através do exemplo de análise de dados de uma rede

varejista, esperou-se ilustrar uma pequena parte das informações que podem

ser obtidas. Através das informações obtidas a empresa poderia repensar

alguns de seus processos, seu posicionamento e sua estratégia, estreitando o

relacionamento com os seus clientes mais valiosos.

O primeiro estudo feito foi a análise de todas as compras. Ao contrário do

que era esperado, não foi possível estabelecer uma relação entre o valor da

compra e o número de dias desde que um cliente havia feito a sua última

compra. Esta relação não foi possível devido à grande variedade no perfil de

compra dos clientes. A primeira conclusão que pôde ser tirada é que devido à

heterogeneidade dos dados é muito difícil chegar a alguma conclusão

analisando todos os clientes ao mesmo tempo. Por este motivo, deve-se tentar

algum tipo de segmentação para que o padrão de compra de cada grupo de

consumidor fique mais claro.

138

Continuando a analisar as compras, o próximo estudo feito foi o seu

acompanhamento ao longo do ano. Como era esperado, dezembro se mostrou

como um mês de vendas fortes, entretanto, o mês de agosto superou-o no

número de compras. Como só foram analisados os dados do ano 2000, é

impossível concluir que o mês de agosto seja sempre um mês de vendas

fortes. Na verdade, é bem provável que o desempenho deste mês tenha sido

causado por um fator externo econômico, ou devido a alguma promoção. Cabe

à empresa tentar verificar o que causou este desempenho inesperado. Se a

causa tiver sido um fator econômico externo, a firma deve tentar descobrir qual

foi, e passar a ficar atenta pois quando ele se repetir é provável que o volume

de vendas volte a crescer novamente. Por outro lado, se a causa tiver sido a

realização de uma promoção, a firma deve ava liar se o aumento das vendas

realmente atingiu o esperado e se o resultado final foi compensador.

Ainda analisando a evolução das compras ao longo do tempo, foi possível

detectar dois padrões sazonais no comportamento dos clientes: o semanal e o

mensal. Ao contrário do que poderia ser esperado, o padrão semanal foi mais

forte que o mensal. Este pode ser um reflexo da estabilidade monetária

brasileira, pois em épocas de inflação mais alta é provável que a sazonalidade

mensal fosse mais forte. Estudando o comportamento das compras ao longo

do mês a única diferença que pôde ser notada foi um pequeno aumento no

valor médio das compras no início do mês. A quantidade de compras

permanece praticamente a mesma, mostrando que os clientes não escolhem

somente o início do mês para fazerem suas compras. Em relação a

sazonalidade semanal, uma grande diferença foi encontrada entre os finais de

semana e os outros dias da semana. Como era de se esperar, a compras nos

finais de semana são mais heterogêneas. Sábado é o dia com maior receita

total de compras. Domingo possui a menor. É possível notar que muitos

clientes fazem suas compras nos finais de semana não podem fazê-las nos

outros dias, e por isso escolhem principalmente o sábado. Por outro lado,

analisando os dias de segunda a sexta-feira, percebe-se exatamente o

contrário: os clientes que podem fazer suas compras nestes dias não têm um

dia fixo de preferência, mas evitam os finais de semana. A exceção fica para a

139

terça-feira, pois devido a uma promoção na seção de verduras e legumes,

muitos clientes preferem fazer compras neste dia.

Devido à forte sazonalidade semanal, muitas sugestões podem ser dadas

para explorar este fato:

a. Como domingo é o dia com menores vendas, a empresa deve discutir se

realmente vale a pena abrir as lojas neste dia. Entretanto, mesmo que

financeiramente não seja compensador, a empresa não deve esquecer a

questão da imagem da rede que deixaria de ter suas lojas “abertas todos

os dias da semana” e deixaria de ser uma loja de conveniência;

b. Decidindo manter as lojas abertas aos domingos, a empresa poderia

avaliar a criação de incentivos para algumas pessoas trocarem o sábado

pelo domingo. Assim, a ociosidade aos domingos seria reduzida e a

empresa poderia prestar um serviço melhor aos sábados, quando

atualmente as lojas estão mais cheias;

c. Devido à resposta à promoção nas terças-feiras, a empresa deve avaliar

se este resultado é compensador. Seria interessante estudar qual seria o

impacto se esta promoção acabasse ou se ela fosse estendia a mais um

ou dois dias da semana, por exemplo;

d. Como foi possível perceber uma diferença de padrão de compras

conforme os dias da semana, a empresa poderia avaliar se outros tipos

de promoções, conforme as características das compras de cada dia,

não poderiam ser lucrativas. Por exemplo, na segunda-feira as compras

são mais homogêneas e os clientes mais constantes, será que uma

promoção que premiasse estas características não atrairia ainda mais

clientes neste dia e aumentaria a fidelidade dos atuais?

A última análise feita com as compras foi separando-as por loja. Foi possível

perceber que a diferença de receita e do perfil dos clientes entre as lojas era

grande. Para confirmar a existência destas diferenças, no final do estudo, fez-

se a segmentação dos clientes conforme as lojas.

140

Depois de analisar as compras, passou-se a estudar os clientes. A primeira

conclusão que pôde ser tirada foi a confirmação de que apenas uma pequena

parte dos clientes é responsável pela maioria das compras e da receita. Por

este motivo, a empresa deve tentar achar um meio de identificar estes clientes

pois eles são os mais valiosos e merecem a construção de um relacionamento

de longo prazo.

A primeira tentativa de segmentação foi através do período do mês em que

os clientes fazem compras. Entretanto, esta segmentação não trouxe

resultados significativos devido a dificuldade de classificação dos clientes.

Como os clientes atualmente comparecem durante todo o mês, é difícil separá-

los segundo este critério.

O segundo critério foi o número de dias da semana em que eles preferem

fazer suas compras. Era esperado que os clientes mais fiéis tivessem um ou

dois dias de preferência. Novamente este critério não apresentou resultados

muito bons pois poucos clientes foram classificados.

O último critério foi a separação por loja de preferência. Esta foi a

segmentação que apresentou os melhores resultados. Os clientes da loja 1 se

destacaram como os mais freqüentes apesar de terem um valor médio das

compras menor. Já os da loja 2 são os que possuem o maior valor médio por

compra. Em função destes resultados a empresa deveria estudar a viabilidade

e a lucratividade de cada loja. Será que todas as quatro são lucrativas e devem

ser mantidas? Outro questionamento que a empresa deve fazer é: será que

esta diferença de resultados se deve exclusivamente à diferenças no perfil

populacional de cada região a que cada loja atende? É bem provável que

essas diferenças não possam ser justificadas exclusivamente por fatores

externos à empresa. A imagem e o posicionamento das lojas em suas regiões

podem ser diferentes e estas são variáveis que podem ser trabalhadas pelo

marketing. Mesmo que a conclusão seja que a localização e as características

da região são fatores importantíssimos, cabe a firma descobrir quais são os

fatores que caracterizam uma boa região para que as novas lojas sejam

construídas em locais onde estes resultados possam ser repetidos.

141

Analisando todas estas informações obtidas, foi possível mostrar que com a

utilização de métodos quantitativos simples muito conhecimento pode ser

extraído. Cabe à empresa, de posse de todo este conhecimento, reunir seus

departamentos de marketing, finanças e operações para reavaliar a sua

estratégia. O departamento de marketing deve analisar se as promoções

realmente estão de acordo com o perfil dos clientes. Deve verificar também se

este tipo de cliente era realmente o alvo da empresa e pensar em novas

promoções para criar ou manter a sua fidelidade. O departamento de finanças

deveria analisar se o resultado das promoções realizadas realmente foi

satisfatório. Em conjunto com o departamento de marketing, ele também

deveria estudar se a política de vendas a prazo e concessão de crédito está de

acordo com o perfil de cliente encontrado. Já o departamento de operações

deveria verificar se o abastecimento da loja e o atendimento aos clientes estão

sendo planejados levando em consideração o padrão de compras apresentado

pelos clientes.

Se a firma for capaz de utilizar eficientemente todo este conhecimento, ela

estará dando um grande passo rumo à vitória neste mundo tão competitivo.

V.3. SUGESTÃO PARA ESTUDOS FUTUROS

Como este trabalho se limitou a exemplificar apenas alguns métodos

quantitativos, há diversas sugestões de estudos que podem ser feitos no futuro

por esta empresa. Há sugestões que vão desde simples aprofundamento do

que já foi feito, até outras que envolvem a utilização de ferramentas

quantitativas e bancos de dados mais complexos:

a. Segmentar os clientes por dia da semana – Já que a segmentação por

número de dias na semana não trouxe o resultado esperado (mas está

claro que os dias da semana têm diferentes perfis de compras) deve-se

continuar tentando algum tipo de segmentação que utilize esta

informação. Também poder-se-ia tentar diferenciar os clientes como

“clientes de finais de semana” ou “clientes de segunda a sexta-feira”;

142

b. Utilizar técnicas mais avançadas de data mining – Para ajudar na

segmentação dos clientes poder-se-ia utilizar ferramentas quantitativas

mais complexas como análise de clusters e redes neurais. Estas

ferramentas podem ajudar ainda mais na tarefa de identificação do perfil

de compra dos clientes mais valiosos;

c. Combinar a utilização das variáveis RFM para classificar os clientes –

Seguindo exemplos já citados na literatura, poder-se-ia tentar segmentar

os clientes em função das variáveis RFM (recency, frequency e

monetary);

d. Criar um alarme de freqüência – Além de se preocupar em identificar

quem são os seus clientes principais, seria interessante criar um

mecanismo que ajude a identificar quando estes clientes estão mudando

o seu comportamento, indicando que possam estar abandonando a

empresa. Uti lizando ferramentas quantitativas, pode ser possível a

criação deste alarme que ajude a identificar quando um cliente

importante para a empresa está mudando (diminuindo) o seu padrão de

freqüência às lojas;

e. Expandir a janela do banco de dados armazenando dados por um

período maior do que um ano – Conforme o banco de dados se tornar

maior, possuindo dados mais antigos, informações como a evolução do

número de dias entre compras ao longo do ano e a descoberta de

sazonalidades dentro do ano poderiam ser obtidas;

f. Expandir o banco de dados com informações sobre a cesta de compras

de cada cliente – Através desta expansão seria possível estudar qual o

tipo de compra padrão dos clientes mais valiosos, além de identificar

produtos que normalmente são comprados em conjunto;

g. Aprofundar a análise dos clientes mais importantes – Dado que foi

possível mostra através do gráfico de Pareto que realmente existe um

grupo de clientes especial, a empresa deve tentar conhecê-los mais

detalhadamente. Para isto, ela poderia utilizar além dos dados das

143

compras (valores e cesta), os seus dados sócio-econômicos. Analisando

todas estas informações, ficaria mais fácil descobri quem são estes

clientes.

Como se pode perceber o limite para obtenção de novas informações é

praticamente infinito. Cabe à empresa saber utilizar este conhecimento e

avaliar até quando o esforço e os gastos compensam.

144

REFERÊNCIAS BIBLIOGRÁFICAS

ALBERTIN, A.L.; MARQUES, E.V. Os aspectos e contribuições do comércio

eletrônico para o setor de varejo. In: ENCONTRO ANUAL DA ANPAD -

ENANPAD, 23, 1999, Foz do Iguaçu. Anais eletrônicos... São Paulo:

EAESP/FGV, 1999. 1 CD.

ANDERSON, E.W.; FORNELL, C.; LEHMANN, D.R. Customer satisfaction,

market share, and profitability: findings from Sweden. Journal of Marketing,

Chicago, v. 58, n. 3, p. 53-66, jul. 1994.

ANDERSON, J.C.; NAURUS, J.A. Business marketing: understanding what

customers value. Harvard Business Review, Boston, v. 76, n. 6, p. 53-65,

nov./dec. 1998.

APICELLA, M. Customer relationship management: ramping up sales service.

InfoWorld, Framingham, v. 21, n. 33, p. 68-80, 16 aug. 1999.

BERSON, A.; SMITH, S.; THEARLING, K. Building data mining applications

for CRM. New York: McGraw-Hill, 1999. 510p.

BUTTLE, F. The CRM value chain. Disponível em: <http://www.crm-

forum.com>. Acesso em 08 jan. 2001.

COOPER, B.L.; WATSON, H.J.; WIXON, B.H.; GOODHUE, D.L. Data

warehousing supports corporate strategy at First American Corporation. MIS

Quarterly, (Minneapolis), v. 24, n. 4, p. 547-567, dec. 2000.

CROSS, R.; SMITH, J. Retai lers move toward new customer relationships.

Direct Marketing, New York, v.57, n.8, p. 20-22, dec. 1994.

DATA DISTILLERIES. Introdução à mineração de dados – descobrindo valor

escondido nas suas bases de dados. Disponível em:

<http://www.marketingdeprecisao.com.br>. Acesso em 11 jan. 2001.

http://www.crm-forum.com/


http://www.marketingdeprecisao.com/

145

DAVIDS, M. How to avoid the 10 biggest mistakes in CRM. Journal of

Business Strategy, Boston, v. 20, n. 6, p. 22-26, nov. 1999.

EVANS, P.B.; WURSTER, T.S. Strategy and the new economics of information.

Harvard Business Review, Boston, v. 75, n. 5, p. 71-82, sept./oct. 1997.

FELDENS, M.; REATEGUI, E. Roadmaps para projetos de marketing de

precisão. Disponível em: <http://www.marketingdeprecisao.com.br>. Acesso

em 11 jan. 2001.

FOURNIER, S.; DOBSCHA, S.; MICK, D.G. Preventing the premature death of

relationship marketing. Harvard Business Review, Boston, v. 76, n. 1, p. 42-

51, jan./feb. 1998.

HA, S.H.; PARK, S.C. Application of data mining tools to hotel data mart on the

internet for database marketing. Expert Systems with Applications,

Amsterdam, v. 15, n. 1, p. 1-31, jul. 1998.

HIRATA, C. O cliente é quem manda. SuperHiper, São Paulo, v.26, n.300, p.

10-20, ago. 2000.

HUGHES, A.M. Boosting response with RFM – recency, frequency, and

monetary analysis finds the buyers in your database. American

Demographics, Ithaca, p. 4-10, may 1996.

HUI, S.C.; JHA, G. Data mining for customer service support. Information &

Management, Oxford, v. 38, n. 1, p. 1-13, oct. 2000.

JACKSON, B.B. Build customer relationships that last. Harvard Business

Review, Boston, v. 63, n. 6, p. 120-128, nov./dec. 1985.

JACKSON, R.R.; WANG, P. Strategic database marketing. Lincolnwood: NTC

Business Books, 1994. 262p.

KELLY, T.H. Maximizing lifetime customer value. LIMRA’s MarketFacts,

Hartford, v. 19, n. 6, p. 30-36, nov./dec. 2000.


146

KISH, J. Before your customers leave... Bank Marketing, Washington, v. 32, n.

12, p. 30-35, dec. 2000.

KNOX, S. Loyalty-based segmentation and the customer development process.

European Management Journal, Oxford, v. 16, n. 6, p. 729-737, dec. 1998.

NEWELL, F. Fidelidade.com. São Paulo: Makron Books, 2000. 285p.

PAES, A.M.M. Programas de lealdade em montadoras: um estudo na

indústria automobilística brasileira. Rio de Janeiro: UFRJ/COPPEAD, 1999.

136p. Dissertação. (Mestrado em Administração)

PEPPARD, J. Customer relationship managemet (CRM) in financial services.

European Management Journal, Oxford, v. 19, n. 3, p. 312-327, jun. 2000.

PEPPERS, D.; ROGERS, M.; DORF, B. Is your company ready for one-to-one

marketing? Harvard Business Review, Boston, v. 77, n. 1, p. 151-160,

jan./feb. 1999.

PESSANHA FILHO, R.C.; FERREIRA, A.L.; CORREA, S.C.H. Clube de

clientes: no marketing de relacionamento “o essencial é invisível para os olhos”.

In: ENCONTRO ANUAL DA ANPAD - ENANPAD, 24, 2000, Florianópolis.

Anais eletrônicos... Rio de Janeiro: COPPEAD/UFRJ, 2000. 1 CD.

PINE II, B.J.; PEPPERS, D.; ROGERS, M. Do you want to keep your customers

forever? Harvard Business Review, Boston, v. 73, n. 2, p. 103-114, mar./apr.

1995.

PINE II, B.J.; VICTOR, B.; BOYNTON, A.C. Making mass customization work.

Harvard Business Review, Boston, v. 71, n. 5, p. 108-119, sept./oct. 1993.

QUBE CONSULTING. Predicting and using customer lifetime value to

improve profitability. Disponível em: <http://www.crm-forum.com>. Acesso em

11 jan. 2001.


147

SAARENVIRTA, G. Data mining to improve profitability. CMA, Hamilton, v. 72,

n. 2, p. 8-12, mar. 1998.

SANTOS, O.G. Avaliação de bases de segmentação de mercados: um

estudo do mercado de automóveis de passeio da cidade do Rio de Janeiro. Rio

de Janeiro: UFRJ/COPPEAD, 1978. 88p. Dissertação. (Mestrado em

Administração)

SAUNDERS, C.; MERTZER, M. Driving customer retention, development

and acquisition for profit in the insurance business. Disponível em:

<http://www.crm-forum.com>. Acesso em 08 jan. 2001.

SFORNA, M. Data mining in a power company customer database. Electric

Power Systems Research, Texas, v. 55, n. 3, p. 201-209, sept. 2000.

STONE, M.; WOODCOCK, N.; WILSON, M. Managing the change from

marketing planning to customer relationship management. Long Range

Planning, Exeter, v. 29, n. 5, p. .675-683, oct. 1996.

SUPERHIPER. São Paulo: Abras, v. 26, n. 297, mai. 2000.

SWEAT, J. Are customers kings? InformationWeek, Manhasset, Issue 816, p.

42-54, 11 dec. 2000.

TAURION, C. Apanhado geral de data mining. Disponível em:

<http://www.marketingdeprecisao.com.br>. Acesso em 11 jan. 2001a.

TAURION, C. Implementando CRM com sucesso: algumas recomendações.

Disponível em: < http://www.marketingdeprecisao.com.br/>. Acesso em 10 jan.

2001b.

VELLIDO, A.; LISBOA, P.J.G.; MEEHAN, K. Segmentation of the on-line

shopping marketing using neural networks. Expert Systems with

Applications, Amsterdam, v. 17, n. 4, p. 303-314, nov. 1999.




148

VERGARA, S.C. Projetos e relatórios de pesquisa em administração. São

Paulo: Atlas, 1997. 90p.

o uso de técnicas quantitativas em crm: uma aplicação no ... · À minha família,...

Documents