Novembro/1997

USANDO A ESTATÍSTICA PARA CONHECER OS CLIENTES

Alexis P. Gonçalves
Membro do Conselho Técnico do QSP e vice-presidente de
Qualidade para a América Latina do CITIBANK

A área 3.1a do Prêmio Nacional da Qualidade (PNQ) 1997 aborda como a organização identifica os requisitos e expectativas emergentes dos clientes. Em um ambiente competitivo e de rápidas mudanças, muitos fatores podem afetar a preferência e a lealdade dos clientes, tornando-se necessário ouvi-los e conhecê-los, de maneira contínua. Para ser eficaz, a estratégia de ouvir e aprender necessita ter uma estreita conexão com a estratégia global do negócio da organização. Por exemplo, se a organização personaliza seus produtos, a estratégia para ouvir os clientes e conhecê-los necessita do apoio de um sistema de informações capaz, que acumule rapidamente informações disponíveis onde forem necessárias, em toda a organização ou em toda a cadeia de valor.

Uma ampla variedade de estratégias para ouvir e aprender com os clientes deve ser utilizada. A seleção das melhores estratégias depende do tipo e do tamanho do negócio da empresa. Outro fator importante é a maneira como a organização identifica segmentos de mercados, clientes da concorrência e outros clientes potenciais. O grau de sensibilidade em relação a requisitos específicos dos produtos e sua importância, ou valor relativo, para diferentes grupos de clientes, é fundamental para o fortalecimento do relacionamento com os clientes.

Para apoiar essa estratégia que visa conhecer, em profundidade, clientes e mercado, muitas organizações têm utilizado a Estatística Multivariada. Apesar deste artigo não conter uma definição formal ou oficial sobre análise multivariada, nossa intenção é abordá-la como um método analítico amplamente utilizado para desenvolver conhecimento sobre os cliente e o mercado. Através de cada uma das técnicas analisadas aqui, o usuário deverá tomar decisões sobre os níveis de significância, sobre os métodos a utilizar para cada uma das técnicas, sobre como lidar com a validade e a confiabilidade do estudo. Não iremos nos aprofundar nesses assuntos porque queremos que o leitor perceba o "sabor" dessas ferramentas, sem a necessidade de complicar em demasia, evitando utilizar um "jargão" estatístico e muito técnico.

Análise Fatorial

Uma das técnicas estatísticas mais utilizadas é a Análise Fatorial. Esta ferramenta junta uma série de perguntas em grupos denominados fatores. O agrupamento se realiza analisando os padrões de correlação entre todas as respostas dadas por todos os clientes pesquisados. Desse modo, poderão ser vistas todas as frases que têm alguma correlação agrupadas em um único fator. É comum que a quantidade de perguntas originais fique reduzida a um terço em quantidade de fatores, ou às vezes até menos. Conseqüentemente, é possível facilitar a interpretação dos resultados de uma pesquisa com clientes, porque quem faz a análise acaba se ocupando de uma quantidade menor de fatores. Todavia, a compensação se dá na redução da variância explicada, como resultado da utilização de fatores em lugar dos dados de pontuação originais.

Os resultados da Análise Fatorial são utilizados com freqüência como inputs para a Análise de "Cluster" e a Análise de Regressão. Também são úteis para interpretar as "verdadeiras" dimensões do produto ou serviço que se está avaliando. É comum que os resultados dessa análise permitam reduzir a quantidade de escalas/pontuação a serem utilizadas em estudos futuros, tomando por base a suposição de que os itens de um dado fator seguirão tendo a mesma correlação no futuro. A Análise Fatorial se utiliza também, junto com outras ferramentas, nas pesquisas sobre a satisfação do cliente, quando os clientes avaliam uma grande quantidade de atributos.

Como exemplo de Análise Fatorial aplicada, abaixo apresentamos o resultado de um estudo realizado por um Banco para identificar quais fatores estimulavam o uso do Caixa Eletrônico por parte de seus clientes. O resultado desse estudo mostra que, de um total de 14 atributos percebíveis pelos clientes, são 4 os fatores que mais se distinguem: fator (1) Conveniência, fator (2) Confiabilidade, fator (3) Adequação, fator (4) Exatidão.

Fatores que estimulam o uso dos Caixas Eletrônicos

Fatores que estimulam o uso dos Caixas Eletrônicos

Fonte: "Perceived Attributes of ATMs and their Marketing Implications",
Robert Rugimbana e Philip Iversen, International Journal of Bank Marketing,
Vol.12, No.2, 1994, pp. 30-35, MCB University Press.

Análise de "Cluster" (Agrupamento)

Similar em seu conceito à Análise Fatorial, a Análise de "Cluster" se difere pelo fato de que os pesquisados são colocados em grupos ou segmentos homogêneos, de acordo com a similaridade de suas respostas a perguntas básicas. Os inputs da Análise de "Cluster" podem ser as pontuações dadas pelos pesquisados na Análise Fatorial ou os dados da avaliação original. Existem alguns softwares específicos que colocam os pesquisados em segmentos, partindo de suas respostas a uma série de perguntas categóricas, ou até mesmo partindo de suas respostas a itens de uma lista em relação aos quais se deve responder "sim" ou "não" - tal como ocorre com as listas de adjetivos que, segundo a opinião dos pesquisados, podem corresponder ou não a um conceito de produto.

De qualquer modo, o objetivo da análise é pôr cada um dos pesquisados em um grupo integrado por outros pesquisados de respostas similares. Aqueles que dão respostas significativamente diferentes são agrupados em grupos diferentes. Para o analista, o mais difícil é decidir que quantidade de grupos deveria utilizar. Com freqüência se utilizam duas ou mais soluções possíveis (por exemplo, 4 segmentos e 5 segmentos), a partir de uma análise de distintos quadros, para tabular novamente os dados e poder tomar uma decisão definitiva. É comum que os resultados de uma Análise de "Cluster" sejam utilizados para a segmentação de clientes em grupos e também como input para o mapeamento de percepções.

Abaixo, apresentamos um exemplo prático de Análise de "Cluster" feito por uma grande rede de postos de gasolina com lojas de conveniência nos EUA, a Pioneer Petroleum. Neste exemplo, foram encontrados 5 grupos de clientes bem distintos.

Segmentação de Clientes através da Análise de "Clusters"
para uma Rede de Postos de Gasolina

Fonte: "The Balanced Scorecard", pp.66 - 67, Robert S. Kaplan e
David P. Norton, Harvard Business Press, 1996.

Neste exemplo, a Pioneer identificou que as empresas petroleiras haviam estado brigando pelo grupo de clientes "Compradores de Preço" por vários anos. Os executivos da Pioneer agora sabem que esses clientes somam apenas 20% do total de clientes que compram gasolina, e que são os 20% que proporcionam a menor margem de lucro. A partir desse estudo, a Pioneer mudou seu foco de atenção para o grupo de clientes mais lucrativo de seu negócio e que representam 59% do total de compradores de gasolina - os "Guerreiros da Estrada", os "Amigos Fiéis" e os "Geração F3". Para atrair e reter mais negócios com esses grupos, a Pioneer desenvolveu propostas de marketing específicas e com alto valor para esses clientes.

Análise de Regressão

A Análise de Regressão é talvez a técnica que tem sido utilizada por mais tempo na área de pesquisa de mercado. Enquanto que a Análise Fatorial e a Análise de "Cluster" operam simultaneamente sobre todas as variáveis designadas (pontuação, atitudes, satisfação etc), a Análise de Regressão requer a indicação de uma, e apenas uma, das variáveis como variável dependente. Com freqüência, trata-se da opinião global sobre um produto ou serviço, intenção de compra, compra efetiva ou alguma outra variável. A Análise de Regressão elabora uma equação que relaciona as outras variáveis elegidas, chamadas variáveis independentes, com a variável dependente. Se o analista desejar, a equação pode incluir todas as variáveis independentes possíveis, ou somente um subconjunto estatisticamente significativo. Também é possível, se necessário, observar a relação entre a variável dependente e um conjunto definido de variáveis independentes, sem levar em consideração sua significância estatística. Isto tem sentido se, no último conjunto, se incluem todas as variáveis controladas de uma estratégia de mercado. Existem múltiplas ferramentas estatísticas que ajudam ao usuário a determinar qual é a "melhor" equação para relacionar as variáveis independentes com a variável dependente.

Nesse tipo de análise, em geral, as variáveis independentes são em si mesmas as pontuações utilizadas. Podem ser adotadas também as pontuações da Análise Fatorial. Serão menos as pontuações da Análise Fatorial que a quantidade original de escalas de pontuação e, além do mais, são ortogonais (até certo ponto isso colabora com os cálculos e a interpretação). Utiliza-se muito a Análise de Regressão para medir a satisfação do cliente, e também para determinar que atributos de um produto ou serviço mais impulsionam (drivers) a opinião global sobre o mesmo, nas pesquisas de satisfação, em estudos sobre preferencias e em estudos de protótipos.

Um exemplo de como a Análise de Regressão pode ser utilizada para relacionar diversos atributos (de produtos ou serviços) com a satisfação geral dos clientes é descrito a seguir. Considere que o Gerente de um SAC (Serviço de Atenção ao Cliente - telefônico) queira modelar como os clientes avaliam sua satisfação geral em relação a esse serviço. Assume-se que existem sete (07) atributos-chave: facilidade de comunicação, tempo de espera em linha, cortesia do funcionário, conhecimento do produto, rápida resolução, exatidão da informação fornecida e habilidade para tratar solicitações especiais. As avaliações desses atributos podem ser obtidas com os clientes através de pesquisa e ser utilizadas para prever a sua avaliação quanto à satisfação geral. O valor beta (*), obtido da equação de regressão múltipla, pode ser utilizado para medir o grau com que a satisfação geral depende das avaliações dos sete (07) atributos-chave do serviço. Os coeficientes de regressão padronizados podem ser interpretados como um reflexo do impacto relativo dos atributos do serviço na satisfação geral.

Interpretando o Gráfico de Atributos Impulsionadores (Drivers) da Satisfação Geral:

Análise Discriminatória

Não existe na verdade uma grande diferença entre a Análise de Regressão e a Análise Discriminatória, com exceção de que, na primeira, a variável dependente é métrica (pontuações globais, nível de satisfação, quantidade de dias ou horas etc). Ao contrário, na Análise Discriminatória, a variável dependente é de um tipo de categoria mutuamente exclusiva (por exemplo, marca utilizada com maior freqüência, segmento de compradores - possivelmente derivado de uma Análise de "Cluster" -, atributo que mais agrada etc). A Análise Discriminatória também desenvolve uma relação preditiva entre as variáveis dependentes, com o mesmo tipo de flexibilidade que é característico da Análise de Regressão.

Os resultados permitem classificar os pesquisados não incluídos na Análise Discriminatória em uma das categorias dependentes com uma categoria associada. Algumas empresas utilizam esse tipo de análise para encontrar diferenças entre aqueles que são leais a uma marca dentro de uma categoria de produtos, com a intenção de desenvolver perfis demográficos dos clientes em relação aos não-clientes, para fazer o scoring (pontuação) de créditos e encontrar diferenças significativas entre vários atributos. Os resultados dessas Análises Discriminatórias são utilizados algumas vezes para o "mapeamento" de percepções.

Análise "Conjoint"

Os pesquisadores de mercado têm utilizado a Análise "Conjoint" desde o final dos anos 70. Existem algoritmos de software para esse tipo de análise, e parece haver uma alta correlação nos resultados. Conseqüentemente, poderíamos dizer que a conclusão seria seguramente similar, independentemente de como foi realizada a análise. O input está integrado pela classificação da resposta do pesquisado ou pelas pontuações. Essa informação se reúne mostrando a quem participa da pesquisa várias configurações possíveis para o produto ou serviço, cada uma das quais formada por uma combinação de atributos (por exemplo, tamanho, cor, preço, características especiais etc), em cada um dos níveis (por exemplo, pequeno, médio, grande; ou $10, $15, $20, $25; ou verde, ouro, platina).

As configurações ou cenários específicos não se elegem aleatoriamente. Eles são construídos utilizando os princípios de delineamento de experimentos. O output de uma Análise "Conjoint" é composto por um número, geralmente conhecido como "utility", para cada um dos níveis de atributo do produto. São gerados "utilities" para cada pesquisado que, algumas vezes, servem como base para a Análise de "Cluster". Os "utilities" e suas diferenças, ou faixas, são importantes para a interpretação dos estudos de "Conjoint". As publicações atuais sobre pesquisa de mercado estão cheias de artigos que comprovam a aplicação da Análise "Conjoint" em áreas diversas, com parâmetros de serviço em companhias aéreas, automóveis, computadores, produtos envasados e até cursos universitários.

Conclusões

As técnicas brevemente descritas neste artigo são talvez as mais utilizadas hoje em dia pelas empresas que buscam conhecer melhor seus clientes e seu mercado. Contudo, outras ferramentas estão ganhando aos poucos grande popularidade, à medida que a Estatística e os softwares começam a estar ao alcance de muitos. Entre essas novas ferramentas, estão a Análise Fatorial Confirmatória, o modelo Log-Linear, a Análise de "Path" (Caminho), o modelo da Equação Estrutural e a Análise da Estrutura Latente. Todavia, as técnicas aqui apresentadas seguramente não serão abandonadas nos próximos anos...

Finalmente, vale a pena mencionar que existem vários pacotes de software que realizam a maioria das análises aqui descritas. Independentemente do hardware, existe a possibilidade de encontrar um ou mais pacotes acessíveis que podem servir de apoio. Todavia, tenha cuidado. Mesmo que os programas facilitem o manuseio das respostas a centenas de perguntas formuladas a centenas de clientes, é fácil cair na armadilha de fazer essas análises somente pelo fato de que podem ser feitas ou, o que é pior, fazer uma análise incorreta de um conjunto de dados recebidos. Como existe uma variedade de opções dentro de cada tipo de análise, cada uma dessas opções deve ser avaliada com o máximo cuidado. A interpretação eficaz dos dados também é, por si só, uma arte.