Artigo Two Step Clusters Ar Condicionado Versão Final

7/25/2019 Artigo Two Step Clusters Ar Condicionado Verso Final

1/29

Instituto Superior Tupy IST/SOCIESCJoinville, Santa Catarina, BrasilISSN 2237-5163 / v. xx, n. xx: p. xx-xx, ano xxxx

1

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

Condicionado Split Segundo Desempenho, Segurana e Rudo: Um Estudo de

Caso

Use the Two Step Cluster Technique for Targeting Air-conditioners Split Second

Performance, Safety and Noise: A Case Study

Autor (a)

Resumo: Os aparelhos de ar condicionado Split so cada vez mais utilizados peloconsumidor. Com o aumento da demanda, a Pro Teste realizou um levantamento cujo

objetivo era testar a eficcia de uma amostra de aparelhos de ar condicionado Split junto ao

consumidor final. Os produtos foram avaliados por seu desempenho, segurana e rudo.Os

resultados gerais a que se chegaram que os produtos so bons. Contudo, oportuno se

investigar se existem variaes evidncia geral constatada, isto , se existem subperfis que

se distanciam de certa forma do perfil geral constatado. Para se atingir o objetivo da

pesquisa, optou-se pela tcnica da anlise multivariadas an, a Two Step Clusters. A pesquisa

evidenciou que os clusters de aparelhos Splits possuem perfis muitos semelhantes, em torno

do bom desempenho. O que demarca de alguma forma uma possvel diferena entre os dois

subperfis a varivel desempenho, onde 100% dos aparelhos do Perfil 1 so considerados

bons, mas no Perfil 2, de aceitvel a fraco. Os produtos do Perfil 1 tiveram mdia deavaliao final superior aos modelos do Perfil 2. Observando com mais ateno os dois

perfis revelados, pode-se constatar que os aparelhos com o Perfil 1 devem ser os mais

eficazes e os com o Perfil 2, os menos eficazes. O artigo permitiu concluir que existem

evidncias de grupos homogneos no espao investigado, que se distanciam do perfil geral

existente e, que a viso que se deve ter do problema deve ser focada em cada configurao

identificada.

Palavras-chave:Aparelho de ar condicionado; Segmentao; Two Step Cluster; Eficcia.

Abstract: The air-conditioners Split are increasingly used by the consumer. With the increase

in demand, the Pro Test conducted a survey whose goal was to test the effectiveness of asample of air-conditioners Split along to the final consumer. The products have been assessed

for their performance, safety and noise. The General results are reached is that the products

are good. However, it is appropriate to investigate if there are variations to the General

found evidence, that is, if there are under profile to distance themselves somewhat from the

General profile found. In order to achieve the objective of the research, by the technique of

multivariate analysis cluster analysis, a Two Step Clusters. The research showed that the

clusters of Splits have many similar profiles around the good performance. What

DEMARCATES somehow a possible difference between the two under profile is the variable

performance, where 100% of the equipment of Profile 1 are considered good, but in the

profile 2, acceptable to weak. 1 Profile products had final evaluation average superior to

profile 2 models. Watching more closely the two profiles revealed, one can see that thedevices with 1 profile should be the most effective and with 2 profile, the less effective. The


2/29


2

article made it possible to conclude that there is evidence of homogeneous groups withininvestigated, which distance themselves from the General profile and, that the vision should

be of the problem should be focused on each configuration is identified.

Keywords: Air-conditioner; Segmentation; Two Step Cluster; Effectiveness.

1. Introduo

As decises de marketing que tm por objetivo definir os melhores planos

estratgicos para abordar o mercado, escolher a melhor campanha publicitria,

selecionar o segmento e o tipo de produto a oferecer, tm de resultar de uma anlise

tcnica e profissional do sistema de informao ou dos dados disponveis.

As tcnicas estatsticas multivariadas conjuntamente com as diferentes solues

de softwares existentes hoje tornam esta tarefa em algo operacionalmente vivel

(AAKER et al., 2001). Necessita-se apenas de optar pela tcnica mais adequada ao

objetivo do problema, selecionar uma amostra adequada para obter resultados

confiveis e posteriormente validar os resultados com outras tcnicas de anlises

alternativas (AAKER et al., 2001).

Empresrios, gestores e analistas de informaes ainda encaram com reservas as

pesquisas quantitativas como forma de analisar os resultados obtidos com as suas aes

e opes (AAKER et al., 2001). Receiam a confrontao entre o que desejavam e os

resultados alcanados pelas empresas. No encaram com confiana a anlise de dados,

por receio de no gostarem dos resultados ou por no dominarem muitas das novas

tcnicas de anlise de dados (AAKER et al., 2001). Assim, desvalorizam-na, embora

cada vez mais esta possa ser encarada como uma base fundamental para as tomadas de

decises. A utilizao das novas tcnicas fundamental para comprovar que foram

alcanados os resultados pretendidos com as aes e estratgias delineadas pelas

empresas (AAKER et al., 2001).

Ento, o desenvolvimento de softwares e a multiplicidade de solues que

existem hoje tornam cada vez mais fceis a anlise de problemas, mesmo com o nmero

crescente de informao de dados e de variveis, que envolvem cada questoorganizacional e de mercado (J.D BANFIELD et al, 1993). Para empresrios,


3/29


3

estudantes, etc., a informatizao facilitou a anlise de resultados das empresas, dosefeitos ou aes da publicidade, nas vendas, na empatia com marcas, na imagem de

instituies e no teste de eficincia/desempenho de produtos e servios postos

disposio do consumidor final (J. D BANFIELD et al, 1993).

Avaliar os produtos, estratific-los segundo desempenhos diferenciados;

conhecer os consumidores, as suas caractersticas, quais os mais rentveis, que padres

de comportamento assumem e que preferncias apresentam, fundamental para melhor

as empresas se adaptarem s exigncias do mundo altamente competitivo (AAKER etal., 2001).

A segmentao de consumidores, de empresas, de marcas, de produtos permite-

nos compreender melhor o mercado, quer ao nvel de comportamento e desempenho de

produtos e servios, quer ao nvel de organizao ou distribuio. Segmentar significa

encontrar agrupamentos de indivduos, objetos, etc., que partilhem, associem, ou seja,

entendidos como tendo algumas caractersticas comuns (WEINSTEIN, 1995). Com a

segmentao, pretende-se encontrar diferentes grupos com caractersticas homogneas.Definir agrupamentos tm por finalidade eliminar ou diminuir as tomadas de

deciso gerais aonde se aplicarem as individuais e personalizadas, no sentido das

empresas adaptarem suas estratgias de desenvolvimento de marketing e de produto

para cada subperfilevidenciado, aumentado as vendas, fidelizando marcas, otimizando

desempenhos de produtos/servios e por conseguinte se destacando no mercado

consumidor (WEINSTEIN, 1995). Pretende-se conseguir a definio de metas,

objetivos, polticas de ao/publicidade/marketing e de desempenho, adequadas a cada

grupo de produtos, marcas, objetos ou consumidores segmentados (WEINSTEIN,

1995). Este procedimento cria decises que se identificam mais com cada realidade dos

grupos focados.

Devem-se identificar caractersticas prprias para cada segmento: demogrficas,

psicogrficas ou de comportamento entre consumidores, imagem, caractersticas

associadas ao produto ou servio, ao armazenamento, a eficcia, eficincia,

embalagem, utilizao dos produtos, ao hbito de compra. Valor, notoriedade,

imagem, atributos de marca (WEINSTEIN, 1995). Apesar de os resultados no


4/29


4

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

em grupos bsicos que permitam construir parmetros das estratgias a implementar

para conseguir o tratamento, tomadas de deciso mais adequadas a cada grupo

(WEINSTEIN, 1995). Estes grupos podem depois, atravs de instrumentos mais

sofisticados serem novamente desagregados ou segmentados para encontrar, identificar

mais particularidades que permitam uma melhor e mais correta compreenso do seu

comportamento ou necessidades (WEINSTEIN, 1995).Os argumentos utilizados pelos estudiosos referenciados acima para a adoo da

anlise de dados, especificamente da segmentao de espaos de partida, vem de

encontro ao problema de pesquisa que ora se trata e evidencia-se relevante e de

contribuio para a academia.

O objetivo deste artigo utilizar a tcnica Two Step Cluster para segmentao

de aparelhos de ar condicionado Split segundo desempenho, segurana e rudo atravs

de uma amostra de aparelhos preliminarmente analisados quanto ao desempenho pelaAssociao de Defesa do Consumidor- Pro Teste.

2-Justificativas para o Estudo

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

necessidade. Cada vez mais populares, os aparelhos de ar condicionado tipo Split so

mais silenciosos e no oferecem risco segurana. Dado o aumento do consumo do

produto junto a populao, a Pro Teste(2012)- Associao de Defesa do Consumidor-

realizou um levantamento cujo objetivo era testar a eficincia/eficcia de uma amostra

de aparelhos de ar condicionado Split junto ao consumidor final. As marcas testadas

foramLG, PHILCO, HITACHI, ELECTROLUX, GREE, MIDEA, ELGIN, BRASTEMP,

CARRIER/SPRINGER, KOMECO, YOR E CONSUL.

Os produtos foram avaliados por seu desempenho, segurana e rudo. No item

desempenho, foram levados em considerao o quanto os aparelhos de ar condicionado


5/29


5

realmente resfriam o ambiente, o tempo que eles levam para alcanar esse resfriamento,a estabilidade da temperatura e se o consumo de energia eficiente.

Os resultados gerais a que se chegaram na amostra de aparelhos de ar

condicionados Splits estudada pelo Pro Teste (2012) que os produtos so bons, mas

resfriam sem estabilizar: fica frio ou quente demais, isto , a essncia do problema est

no item desempenho.

O levantamento do Pro Teste (2012), como se relatou em pargrafos anteriores,

levou em considerao aspectos de eficincia e eficcia. O perfil geral dos produtosrevela que so de modo geral bons produtos, mas com falhas em itens de desempenho.

Contudo, como podem existir excees regra, oportuno se investigar se existem

variaes evidncia geral constatada, isto , se existem subperfisque se distanciam de

certa forma doperfil geralconstatado e, em que grau.

O que se constata com a anlise j realizada das tabelas de freqncias triviais

pelo Pro Teste (2012), que nvel geral, os nveis de desempenho dos aparelhos de ar

condicionados Splitsso tolerveis. Mas num possvel prosseguindo na anlise, poder-se-ia questionar se os produtos investigados possuem o perfil de desempenho,

segurana e rudocomo um todo homogneo, ou se este perfil geral se segmenta com

variaes diferenciadas entre os produtos, se revelando uma estrutura com

configuraes distintas, coexistentes num mesmo espao de desempenho e que

meream tratamentos gerenciais diferenciados.

A proposta deste estudo procurar evidncias de subperfisde desempenho que

possam se distanciar de certa forma do perfil geral, global,constatado no levantamento

preliminar do Pro Teste (2012).

Este artigo objetiva, oportunamente, a prosseguir na anlise dos dados da

pesquisa do Pro Teste (2012), com a incumbncia de realizar uma anlise de clusters, da

base de dados, para que se possam perceber com mais clareza e rapidez se existem

subperfis de ar condicionados com graus afastados do perfil geral revelado, se

distanciamento da eficcia esperada pelo consumidor, e assim realizar um estudo

tambm estrutural.


6/29


6

A presente investigao levanta o problema de pesquisa de que o perfil geraldos aparelhos de ar condicionados investigados aponta para a tendncia geral de bom

desempenho.Porm, questiona se pode haver certo nvel de disperso ou variao em

torno deste perfil mdio.

Um olhar mais depurado, mas detalhado da estrutura do problema, pode revelar

que nem todos os aparelhos de ar condicionados testados tm exatamente o mesmo grau

de eficincia/eficcia em torno da tendncia geral e, importante que se detecte esse

fato, e que se dissemine esta informao/constatao entre fabricantes, entidadesreguladoras e fiscalizadoras e no meio cientfico, o que direcionariam as tomadas de

deciso e reflexes para enfrentamentos diferenciados do problema, o que acarretariam

a curto e mdio prazos em melhorias dos processos de defesa do consumidor.

No estudo do Pro Teste (2012), constatam-se que as variveis da pesquisa so

mistas, qualitativas e quantitativas e o instituto, ento, se orientou como de usual, para a

anlise de dados trivial, na aplicao da descrio dos dados, com o uso de tabelas de

freqncias, clculo de porcentagens e uso de grficos.A tcnica Two Step Clusters permite que os pesquisadores ao coletar dados em

escala mista, qualitativas e/ou quantitativas, saiam do campo exploratrio limitado e

desenvolvam tambm tcnicas multivariadas para o tratamento avanado dos mltiplos

indicadores envolvidos na pesquisa e realizem tambm um estudo estrutural, em

diversos campos do saber (MINGOTE, 2005). A Two Step Clusters trataria mltiplas

variveis em mensuraes categoriais e contnuas, realizaria anlises de similaridades

de objetos e a partir da formao de clusters do espao de partida, se buscaria

informaes que alimentaria o sistema de tomadas de deciso (CHIU et al., 2001).

A referida tcnica de anlise de clusters decompe a estrutura da base de dados,

complexa nvel de mensurao, em vrios ncleos semelhantes internamente, mas

diferenciados entre eles. Este processo permite segmentar as aes de produo, gesto

e marketing e, consequentemente, de forma sistmica, promove a otimizao dos

resultados empresariais(CHIU et al., 2001).


7/29


7

3. Metodologia da Pesquisa

A Two Step Clusters a sugesto preliminar de recurso de anlise que se optou

para atingir o objetivo deste estudo e que ser explorado e prestigiado no

desenvolvimento do prximo item deste artigo.

A rodada do Two Step Cluster foi realizada no SPSS 15.0 (SPSS, 2006).

Quando se opta pela Two Step Cluster, o analista trabalha com grandes bases de

dados, com muitas variveis mistas coexistentes numa mesma base de dados, o que se

configura num problema de configurao complexa e de multidimensionalidade

(MINGOTE,2005). Esta constitui a principal motivao para o uso da Two Step Cluster

em bases de dados criadas no SPSS (SPSS, 2001), em vrias reas do conhecimento

(SPSS, 2001).

Na Data Mining, a motivao para a opo pela tcnica Two Step Cluster se

justifica quando no espao de partida surge a necessidade de se conhecer a estrutura que

sustenta um espao de anlise de configurao complexa,isto , nesta base de dados

coexistem diferentes naturezas de variveis ou indicadores (ZHANG et al., 1996).

A insero da tcnica Two Step Cluster nas tcnicas de segmentao porque se

sustenta a lgica de que a proximidade de certo nmero de registros(de diferentes tipos

de variveis) induz presena de elementos que partilham tendencionalmente as

mesmas caractersticas, isto , tm o mesmo perfil (Z. HUANG, 1998). Os diferentes

ncleos de homogeneidade se associam a grupos de casescom perfis distintos, mas

que coexistem com maior ou menor proximidade o mesmo espao de partida (ZHANG

et al., 1996). Quando estes ncleos dizem respeito perfis de qualidade de produo de

bens e servios, se produzem informaes estratgicas para o homem de negcios

(ZHANG et al., 1996).

A anlise de clusters uma tcnica exploratria da anlise multivariada que

permite agrupar indivduos ou variveis em grupos homogneos ou compactos,

relativamente a uma ou mais caractersticas comuns (C. FRALEY et al., 1998). Dessa

forma, cada observao pertencente a um determinado clusters similar a todas as

outras pertencentes a esse clusters, e diferente das observaes pertencentes a outrosclusters (C. FRALEY et al., 1998).


8/29


8

O Two Step Cluster um algoritmo de anlise de cluster escalonvel projetadopara lidar com base de dados muito grandes,capaz de lidar com variveis qualitativas e

quantitativas ao mesmo tempo e que requer apenas a construo de uma matriz de input

de dados no procedimento. composta de duas fases, da o nome em portugus

"Clusters em Duas Etapas". Na primeira etapa do procedimento, a pr-cluster, os

registros so segmentados em muitos pequenos grupos (S. THEODORIDIS et al, 1999).

Na segunda e ltima etapa, a clusterizao, os pequenos grupos da etapapr-clusterso

reagrupados formando os subperfis finais segundo um nmero ideal de agrupamentos(S. THEODORIDIS et al, 1999).

O mtodo pode gerar os clusters segundo um nmero especificado ou se

desconhecer a segmentao ideal, pode-se gerar automaticamente o nmero ideal de

clusters para a anlise (S. THEODORIDIS et al, 1999).

Os resultados obtidos de uma simulao de execuo so consistentemente

precisos e de desempenho eficz (S. THEODORIDIS et al, 1999). A simulao mostra

tambm que o procedimento automtico de encontrar o nmero de clusters funcionamuito bem e rpido (S. THEODORIDIS et al, 1999).

O algoritmo empregado por este procedimento tem diversas caractersticas

desejveis que o diferencie das tcnicas de aglomerao tradicionais (ZHANG et al.,

1996):

manipulao de variveis categricas e contnuas: Supe que as variveis

sejam independentes, uma distribuio multinomial e normal pode ser

assumida s variveis categricas e contnuas da modelagem

respectivamente;

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

critrio de escolha, atravs de diferentes solues de clusters, o

procedimento pode determinar automaticamente o nmero ideal de clusters.

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

resume os registros, o algoritmo Two Step Cluster permite analisar arquivos

de dados grandes.


9/29


9

Neste mtodo existem duas medidas de distncia. Estas duas mtricasdeterminam como a similaridade entre dois clusters calculada (ZHANG et al., 1996):

probabilidade de log: A medida de probabilidade ajusta distribuies de

probabilidades s variveis. As variveis contnuas so ajustadas Curva

Normal, enquanto variveis categricas so considerados de Distribuio

Multinomial. Todas as variveis so consideradas independentes.

euclidiana: A medida euclidiana a distncia da "linha reta" entre doisclusters. Ele pode ser usado somente quando todas as variveis so

contnuas.

Esta seleo permite que se especifique como determinado o nmero de

clusters (ZHANG et al., 1996):

determinao automtica do nmero de clusters: O procedimento podedeterminarar automaticamente o "melhor" nmero de clusters, usando o

critrio especificado no grupo de critrio de agrupamento. Comparando os

valores de um critrio de escolha, atravs das solues de aglomerao

diferentes, o procedimento pode automaticamente determinar o nmero

timo de clustres. O mtodo Two Step Cluster disponibiliza dois critrios de

agrupamentos usados na dertminao automtica do nmero de clusters

para segmentar grandes bases de dados: o Critrio de Informao

Bayesiano(BIC) e o Critrio de Informao Akaike(AIC) .

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

clusters na soluo. Deve-se digitar um nmero inteiro positivo.

A "rodada" da Two Step Clusters no SPSS 15.0 fornecer como output uma

tabela de distribuio de frequncia de cada clusters, uma tabela com as mdias

assumidas pelas variveis quantitativas do modelo em cada clusters(quando o estudo

tiver variveis quantitativas), distribuio de frequncia das categorias de cada varivel


10/29


10

categrica do estudo em cada cluster(quando o estudo tiver varivel qualitativa), grficode pizza das freqncias dos clusters, grfico de barras para percentagens dentro dos

clusters para as variveis qualitativas, grficos dos intervalos de confiana para as

variveis quantitativas, grfico de significncia do qui-quadrado para as variveis

qualitativas do modelo e finalmente grfico de significncia t-Student para as variveis

quantitativas.

A metodologia adotada neste estudo permitir realizar uma anlise estrutural dos

aparelhos de ar condicionados quanto ao desempenho, segurana e ao rudo do ProTeste(2012). A amostra utilizada encontra-se na Tabela 1 e na Tabela 2, as categorias

so codificadas. Depois de codificadas as categorias, o que se obtm a Matriz de

Inputdos dados para o SPSS 15.0(2006), para realizao da Two Step Clusters. Os

resultados desta operao se encontram na Tabela 3.

Contudo, bom registrar que amostra considerada na pesquisa do Pro

Teste(2012) reduzida, no probabilstica, o que contraria o princpio da

representatividade da amostra e compromete as inferncias estatsticas. Alm destalimitao de amostragem, existe uma outra limitao de natureza analtica: a violao de

um dos pressupostos que potencializa a Two Step Clusters, que o tratamento de

grandes bases de dados. Porm, o estudo ainda relevante na medida que introduz a

questo do problema na academia e abre caminhos para estudos mais precisos e

avanados com o mesmo objetivo e populao alvo.

Este trabalho uma iniciativa eminentemente preliminar e se justifica pela

necessidade de abrir caminhos de estudos mais pormenorizados na rea e permite a reflexo

oportuna sobre o assunto.

4-Desenvolvimento das Etapas do Mtodo Two Step Clusters

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

mtodo especificado neste estudo. As prximas sees constituem a consecuo da anlise de

clusters deste artigo.


11/29


11

1a)Base de Dados e Matriz deInput

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

avaliaes da Pro Teste.

Tabela 1- Avaliao dos Aparelhos de Ar Condicionados Split(Amostra)

Modelos(Cdigo) Manual de instruo Rudo Facilidade de UsoConsumo de

Energia Desempenho Avaliao Final

HITACHI(3) BOM ACEITVEL ACEITVEL BOM BOM 67

ELECTROLUX(4) BOM ACEITVEL BOM BOM BOM 66

MIDEA(6) MUITO BOM ACEITVEL BOM FRACO BOM 63

CARRIER/SPRINGER(9) MUITO BOM ACEITVEL BOM RUIM BOM 58

BRASTEMP(8) ACEITVEL BOM BOM BOM ACEITVEL 62

LG(1) BOM BOM ACEITVEL BOM BOM 69

PHILCO(2) BOM BOM BOM ACEITVEL BOM 67

GREE(5) BOM BOM BOM ACEITVEL ACEITVEL 63

KOMECO(10) BOM BOM MUITO BOM FRACO ACEITVEL 58

YORK(11) BOM BOM BOM ACEITVEL ACEITVEL 57

CONSUL(12) BOM BOM BOM BOM FRACO 55

ELGIN(7) MUITO BOM BOM BOM ACEITVEL BOM 63Fonte: O Autor (2012)

A Tabela 2 apresenta os cdigos utilizados para as categorias das variveiscategricas.

Tabela 2- Codificao das Categorias

Categorias Cdigos

MUITO BOM 5

BOM 4ACEITVEL 3

FRACO 2

RUIM 1

Fonte: O Autor (2012)


12/29


12

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

Tabela 3- Matriz deInput para Two Step Clusters

MarcasManual deinstruo Rudo

Facilidade deUso

Consumo deEnergia Desempenho

AvaliaoFinal

3 4 3 3 4 4 67

4 4 3 4 4 4 66

6 5 3 4 2 4 63

9 5 3 4 1 4 58

8 3 4 4 4 3 62

1 4 4 3 4 4 69

2 4 4 4 3 4 675 4 4 4 3 3 63

10 4 4 5 2 3 58

11 4 4 4 3 3 57

12 4 4 4 4 2 55

7 5 4 4 3 4 63


2a) Anlise da Frequncia de cada Cluster

A Tabela 4 apresenta a distribuio dos clusters formados pela tcnica segundotamanho dos grupos, porcentagem de objetos combinados e percentagem total.

Tabela 4 Distribuio dos Cluster

Clusters Formados Tamanho dos Clusters % de Objetos Combinados % doTotal

1 7 58.3 58.3

2 5 41.7 41.7

Combinados 12 100.0 100.0

Casos Excludos 0 0.0

Total 12 100.0


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

foram enquadrados em algum clusters. Portanto, no presente estudo, foi possvel

classificar em grupos homogneos entre si 100%(as 12 marcas) que esto separados em

dois clusters,com as freqncias apresentadas na tabela referida.


13/29


13

3a) Anlise do Comportamento das Variveis pelas suas Categorias dentro dos Clusters

Apresentam-se agora os grficos estatsticos que evidenciaro o comportamento

das variveis pelas suas categorias dentro dos clusters, isto , como cada varivel se

comporta dentro dos clusters em termos de suas categorias.Estes grficos permitiro

perfilar cada clusters gerado.

Cluster

1

2

perfil geral

Percentagem dentro do Cluster

806040200

25

42,86

66,67

80

57,14

8,33

20

Percentagem dentro do cluster de Manual de Instruo

MUITO BOMBOMACEITVEL

Manual de Instruo

Grfico 1- Percentagem das Categorias das Variveis dentro dos Clusters - Manual de

instruo

Fonte: O Autor (2012).


14/29


14

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

aparelhos tm manual de instruo de boa qualidade. J no cluster 2, 80.00%dos

aparelhos tm manual de instruo de boa qualidade..

Cluster

1

2

perfil geral

Percentagem dentro do cluster

100806040200

66,67

100

42,86

33,33

57,14

Percentagem dentro do cluster de Rudo

BOMACEITVELRudo

Grfico 2- Percentagem das Categorias das Variveis dentro dos Clusters - Rudo


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

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

aparelhos so de bom nvel.


15/29


15

Cluster

1

2

perfil geral


806040200

8,33

20

75

80

71,43

16,67

28,57

Percentagem dentro do cluster de Facilidade de uso

MUITO BOMBOMACEITVEL

Facilidade de uso

Grfico 3- Percentagem das Categorias das Variveis dentro dos Clusters Facilidade de

Uso


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

2, a grande maioria dos ar condicionados so de bom desemepnho quanto

facilidade de uso.


16/29


16

Cluster

1

2

perfil geral


50403020100

41,67

40

42,86

33,33

40

28,57

16,67

20

14,29

8,33

14,29

Percentagem dentro do cluster de Consumo de energia

BOMACEITVELFRACORUIM

Consumo de energia

Grfico 4- Percentagem das Categorias das Variveis dentro dos Clusters Consumo de

Energia


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

parte dos ar condicionados so de bom desempenho quanto ao consumo de

ernergia. J no cluster 2, maioria de aceitvel a bom desempenho.


17/29


17

Cluster

1

2

perfil geral


100806040200

58,33

100

33,33

80

8,33

20

Percentagem dentro do cluster de Desempenho

BOMACEITVELFRACO

Desempenho

Grfico 5- Percentagem das Categorias das Variveis dentro dos Clusters Desempenho


O Grfico 5 permite a seguinte interpretao: no cluster 1 a

totalidade dos ar condicionados so de bom desempenho geral. J no cluster

2, 80% so aceitveis.


18/29


18

Cluster

1

2

Overall


20151050

8,33

20

8,33

20

14,29

8,33

20

14,29

8,33

20

8,33

14,29

8,33

14,29

Percentagem dentro dos clusters de Marcas Testadas

CONSUL

YORK

KOMECO

CARRIER/SPRINGER

BRASTEMP

ELGIN

MIDEAGREE

ELECTROLUX

HITACHI

PHILCO

LG

Marcas Testadas

Grfico 6- Percentagem das Categorias das Variveis dentro dos Clusters Marcas

Testadas.


O grfico 6 apresenta os constituintes de cada cluster e

portanto identifica os formadores dos clusters.Os percentuais mostram

a taxa de ocorrncia de cada marca testada em cada cluster.


19/29


19

Cluster

21

Avaliao

Final

70

65

60

55

50

2

1

59

64,71

Intervalo de Confiana para a Mdia

A linha de referncia a mdia do perfil geral = 62

Grfico 7- Percentagem das Categorias das Variveis dentro dos Clusters Avaliao

Final


Pelo Grfico 7, observa-se que a mdia da avaliao final dos

aparelhos de ar condicionados do cluster 1 64,71 enquanto a do cluster 2

59,00. Os aparelhos do grupo 1 so os aparelhos melhor avaliados.

importante frisar que h uma tendncia maior dos aparelhos de ar

condicionado do cluster 1 apresentarem mdia superiores a 64,71, porm,

percebe-se uma sobreposio de praticamente 50% dos intervalos de

confiana de 95% para mdias abaixo deste valor.


20/29


20

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

nas pginas acima), possvel traar o perfil de cada cluster ou configurao, antes

latentes na base de dados. O resumo destes perfis esto apresentados no Quadro 1.

Quadro 1- Perfil Geral dos Clusters

Clusters 1 Clusters 2

Manual de instruo muito bom(42,86%)

Manual de instruo bom(57,14%)

Rudo bom(42,86%)

Rudo aceitvel(57,14%)

Facilidade de uso bom(71,43%)

Facilidade de uso aceitvel(28,57%)

Consumo de energia bom(42,80%)

Consumo de energia aceitvel((28,57%)

Consumo de energia fraco((14,29%)

Consumo de energia ruim((14,29%)

Desempenho bom(100%)

Avaliao final com mdia de 64,71 pontos

Manual de instruo bom(80,00%)

Manual de instruo aceitvel(20,00%)

Rudo bom(100,00%)

Facilidade de uso bom(80,00%)

Facilidade de uso muito bom(20,0%)

Consumo de energia bom(40,00%)

Consumo de energia aceitvel((40,0%)

Consumo de energia fraco((20,00%)

Desempenho aceitvel(80,00%)

Desempenho fraco(20%)

Avaliao final com mdia de 59 pontos

Quadro 1- Perfil dos Dois Clusters Retidos


Pelo que se observa dos clusters das marcas dos aparelhos de ar condicionados

do Quadro 1, que possuem perfis muitos semelhantes, em torno do bom desempenho.

O que marca de alguma forma uma possvel diferena entre os dois subperfis a

varivel desempenho onde a totalidade dos aparelhos do Perfil 1so considerados bons,

mas no Perfil 2, de aceitvel a fraco. Os produtos do Perfil 1 tiveram mdia deavaliao final superior aos modelos do Perfil2.

Observando com mais ateno os dois perfis revelados, pode-se constatar que os

aparelhos com o Perfil 1 devem ser os mais eficazes e os com o Perfil 2, os menos

eficazes.

A anlise revelou, por conseguinte, que existem evidncias de subperfis no

espao investigado que se distanciam do perfil geral existente e que a viso que se deve

ter do problema deve ser focada em cada configurao identificada.


21/29


21

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

identificados os dois subperfis que se coexistem na amostra estudada, apesar destes

perfis serem bem parecidos entre si. A anlise atual revelou, ento, como inicialmente

se questionou neste estudo, que existe variao em torno da desempenho geral dos

aparelhos de ar condicionados( baixa variao, vale ressaltar) e que duas configuraes

do produto possuem perfis de desempenho diferentes, mas que coexistem num mesmo

espao de anlise. Com uma minerao, um reconhecimento de padres, efetiva dos

dados, detectou-se nveis distintos de regularidade do problema estudado e que estes

nveis de diferenciao no so altos.

O interesse agora saber que marcas fazem parte de cada configurao

reconhecida na estruturao realizada at agora. Esta etapa analtica pode ser alcanada

pela evidncia da porcentagem da varivel "Marcas" dentro dos clusters do Grfico 1

acima apresentado. Observando-o, ento, pode-se perceber que o Perfil 1 formado

pelas marcasLG, PHILCO, HITACHI, ELECTROLUX, GREE, ELGIN, BRATEMP eo

Perfil 2, pelos aparelhos das marcasMIDEA, CARRIER/SPRINGER, KOMECO, YOR

E CONSUL.

A informao dos modelos de ar condicionados constituintes de cada grupo

evidente nos Grficos de 1 a 7 sugeriria tomadas de deciso para cada fabricante para

minimizar o problema de mau desempenho dos produtos em foco e melhorar a

performance da poltica de defesa do consumidor para os produtos analisados.

Com a anlise concluda, os empresrios das marcas testadas tm a informao

do que oferecido em termos de desempenho e segurana ao consumidor final, porconseguinte, a qualidade de seus produtos e podem adaptar as suas estratgias de

desenvolvimento de produto e marketing para atingi-la, aumentando as suas vendas e

fidelizando os clientes.

Ratifica-se que estes resultados devem ficar restritos aos dozes produtos

considerados na amostra e que a anlise de dados se mostrou bem simples, justamente

pela natureza elementar da base de dados.


22/29


22

4a)Teste de Significncia das Variveis em cada Clusters

Aps a anlise de clusters, os dados devem ser submetidos a testes de

significncia estatstica para avaliar quais variveis que tiveram importncia na

formao dos clusters. Nos Grficos 7 e 8, esto ordenadas as variveis de acordo com a

relevncia que elas tiveram no processo de classificao dos grupos. As variveis que

mais diferenciam um cluster dos outros so as suas variveis significantes. Para deciso,

toda vez que a varivel qualitativa "Teste Estatstico" for maior que o valor crtico, a

varivel significante para o referido cluster. E toda vez que a varivel quantitativa

"Teste Estatstico", em mdulo, for maior que o valor crtico, a varivel significante

para o referido cluster. A ordem de importncia de significao apontada atravs dos

resultados dos testes de significncia da Two Step Clusters.

Constitudo por todos os grficos apresentados nas pginas a seguir:

Vriveis Importantes no Clusters 1-Teste de Significncia do Cluster 1

Va

rivel

Desempenho

Rudo

Manual de Instruo

Facilidade de uso

Consumo de energia

Qui-quadrado

121086420

TwoStep Cluster Nmero = 1

Aplicao do Ajuste de Bonferroni

Test Statistic

Valor Crtico

Grfico 8- Grfico de Importncia das Variveis no ClustersFonte: O Autor (2012).


23/29


23

Deciso:

Todas as variveis da anlise no diferenciam de maneira significativa o

cluster 1 dos demais. Esse resultado aponta que estas variveis no tm

comportamentos diferenciados no cluster 1 em relao ao cluster 2. Elas no so

importantes para discriminar e caracterizar de forma unvoca o cluster 1 do cluster

2. Portanto, este cluster no-significante. O resultado do teste de significncia

aponta para a evidncia de que os aparelhos de ar condicionados no diferem de

amaneira suficiente estatisticamente nvel de qualidade de funcionamento.

Variveis Importantes no Clusters 2-Teste de Significncia para o Cluster 2

Varivel

Desempenho

Rudo

Facilidade de uso

Marcas Testadas

Consumo de energia

Qui-quadrado

2520151050

TwoStep Cluster Nmero = 2


Test Statistic

Valor crtico



24/29


24

Deciso:

Todas as variveis da anlise no diferencia de maneira significativa o

Cluster 2do Cluster 1. Elas no so importantes para discriminar e caracterizar de

forma unvoca o Cluster 2. Portanto, o cluster 2 no-significante. No existe

diferena estatstica, nvel de qualidade de funcionamento, dos dois clusters

Importncia da Varivel Avaliao Final nos Clusters-Teste de Significncia

de Avaliao Final

Cluster 1:

Varivel

Avaliao Final

t-Student

3210-1-2-3

TwoSte Cluster Nmero = 1


Vlor Crtico

Test Statistic

Vlor Crtico



25/29


25

Deciso:

A varivel avaliao final no diferencia de maneira significativa o

Cluster 1 do Cluster 2. Ela no importante para discriminar e caracterizar de

forma unvoca o Cluster 1. Portanto, esta varivel ratifica a no-significncia do

cluster 1.

No Cluster 2:

Varivel

Avaliao Final

t-Student

3210-1-2-3

TwoSte Cluster Nmero= 2


Test Statistic

Valor crtico



26/29


26

Deciso:

A varivel avaliao final no diferencia de maneira significativa o

Cluster 2 do Cluster 1. Ela no importante para discriminar e caracterizar de

forma unvoca o Cluster 2. Portanto, esta varivel ratifica a no-significncia do

cluster 2.

Pela observao dos Grficos de 8 a 11 (constitudos por todos os grficos

apresentados nas pginas apresentados em pginas acima), todas as variveis foram no-

significantes para a formao dos clusters, o que faz com que um cluster no se

diferencie significativamente do outro e por sua vez os dois no se diferenciem do perfil

geral mdio. Este fato indica que, no geral, os ar condicionados do teste so de bom

desempenho e no existe certa diferenciao significante no grau de performance. O que

revela que o perfil geral no se segmentaria com variaes diferenciadas entre os ar

condicionados, revelando uma estrutura com configuraes prximas de um perfil

nico, geral, no espao de desempenho.

Este fato pressupe que os perfis formados se aproximam do perfil geral, de

produtos de boa qualidade, mas um olhar mais aguado revela um pequeno nvel de

diferenciao entre as marcas, no suficiente para diferenciao estatstica.

5. Concluso

Este artigo se props a prosseguir na anlise descritiva da Pro Teste, que

realizou uma pesquisa no ano de 2012, que tinha a finalidade avaliar o desempenho de

ar condicionados Splits, cuja demanda de consumo j evidencia tendncia crescente.

Este estudo considerou oportuno investigar se existem variaes evidncia

geral constatada, isto , se existem subperfisque se distanciam de certa forma do perfil

geral evidenciado e, em que grau e, que modelos apresentam disperses semelhantes

quanto desempenho.


27/29


27

A hiptese inicial que o perfil geral se segmentaria com variaes

diferenciadas entre os produtos, revelando uma estrutura com configuraes distintas,

coexistentes num mesmo espao de desempenho.

A proposta da investigao desenvolvida foi procurar evidncias de subperfisde

eficincia/eficcia, que possam se distanciar de certa forma do perfil geral, global,

constatado no levantamento preliminar do Pro Teste (2012).

O trabalho prosseguiu na anlise dos dados da pesquisa do rgo, com a

incumbncia de realizar uma anlise de clusters, a Two Step Clusters, da base de dados,

para que se pudessem perceber, com mais clareza e rapidez, se existiam subperfisde ar

condicionados com graus afastados do perfil geral, revelados como de Desempenho,

Segurana e Rudo, se distanciando da eficcia esperada pelo consumidor, e assim

otimizar-se a informao sobre o desempenho do produto, que se destaca em nvel de

consumo na sociedade atual e fazer-se um trabalho de defesa do consumidor

potencializado por informaes segmentadas.

A diviso do problema em partes pde revelar que nem todos os aparelhos de ar

condicionados testados tm exatamente o mesmo grau de eficcia, em torno da estrutura

mdia e, importante que se detecte esse fato, que se dissemine esta informao, ou

constatao, entre fabricantes, entidades reguladoras, fiscalizadoras e no meio

cientfico, o que direcionariam as tomadas de deciso para enfrentamentos diferenciados

do problema.

A pesquisa evidenciou que os clustersde aparelhos Splitspossuem perfis muitos

semelhantes, em torno do bom desempenho. O que demarca de alguma forma umapossvel diferena entre os dois subperfis a varivel desempenho, onde a totalidade

dos aparelhos do Perfil1 so considerados bons, mas no Perfil2, de aceitvel a fraco.

Os produtos do Perfil1 tiveram mdia de avaliao final superior aos modelos do Perfil

2. Observando com mais ateno os dois grupos revelados, podem-se constatar que os

aparelhos com o Perfil 1 devem ser os mais eficazes e os com o Perfil 2, os menos

eficazes.

Por ser uma amostra pequena, com doze aparelhos de ar condicionados tomadospara anlise, os resultados no devem ser generalizados para a populao de aparelhos


28/29


28

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

caso preliminar, cujos resultados devem ficar restritos ao grupo analisado. Contudo,

apesar de ser um estudo prematuro, aponta evidncias iniciais de grupos homogneos de

desempenho dos aparelhos de ar condicionados que podem coexistir no espao

populacional de aparelhos Splits produzidos e, essa informao deve ser utilizada na

melhoria da defesa dos consumidores referente ao que oferecido em termos de ar

condicionados.

Apesar das limitaes de metodologia e de anlise do estudo, com os resultados

iniciais deste artigo, abrem-se caminhos para que se realizem estudos mais avanados

sobre o tema, com uma amostra de aparelhos de ar condicionados que permita

generalizaes e formulaes de teorias, envolvendo erro amostragem em nveis

aceitveis.

Os resultados a que se chegaram neste artigo podem ser vistos como idias

preliminares de como se configura o espao de desempenho de ar condicionados da

linha Split no Brasil e se torna relevante na medida que permite pelo menos uma

reflexo sobre a problemtica e uma motivao para se aprofundar na teorizao sobre a

regularidade do fenmeno e nas aes que se possam implementar na defesa do

consumidor final.

Referncias Bibliogrficas

[1]AAKER, DAVID A.; KUMAR, V; DAY, GEORGE S. Pesquisa de Marketing.Traduo: ReynaldoCavalheiro Marcondes. So Paulo: Atlas, 2001.

[2]BANFIELD,J.D.; RAFTERY,A.E. Model-based Gaussian and Non-Gaussian Clustering.

Biometrics, 1993.

[3]CHIU, T., D. FANG, J. CHENG, Y. WANG, and C. JERIS. A robust and scalable clustering

algorithm for mixed type attributes in large database environment. Pages 263268 in Proc. 7th ACM

SIGKDD Int. Conf. on Knowwledge Discovery and Data Mining (KDD-2001), San Francisco, CA. F.

Provost and R. Srikant, ed. The Association for Computing Machinery, New York, NY, 2001.

[4]FRALEY, C.; RAFTERRY, A . E. How Many Clusters? Which Clustering Method? Answers via

Model-based Cluster Analysis. Computer Journal, no4, p. 578-588, 1998.


29/29


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

Scientific Computing, no20, p. 270-281, 1998.

[6]HUANG, Z. Extensions to the K-Means Algorithm for Clustering Large Data Sets with Categorical

Values. Data Mining and Knowledge Discovery, no2, p. 283-304, 1998.

[7]KAUFMAN, L.; ROUSSEEUW, P. J. Finding Groups in Data:An Introduction to Cluster Analysis.

Estados Unidos: Wiley, 1990.

[8]WEINSTEIN, A. Segmentao de Mercado.Traduo: Celso A. Rimoli. So Paulo: Atlas, 1995.

[9]MELIA, M. ; HECKERMAN, D. An Experimental Comparison of Several Clustering and

Initialization Methods. Microsoft Research Technical Report, Estados Unidos, 1998.[10]MINGOTE, S. A. Anlise de dados atravs de mtodos de Estatstica Multivariada: uma abordagem

aplicada. Belo Horizonte: Editora da UFMG, 2005.

[11]PRO TESTE -Associao de Defesa dos Direitos dos Consumidores. Teste de Desempenho de Ar

Condicionados Split, 2012.

[12]THEODORIDIS, S. ; KOUTROUMBAS, K. Pattern Recognition. Academic Press, Estados Unidos:

Zhang, 1999.

[13]RAMAKRISHNON, T. R ; LIVNY, M. An Efficient Data Clustering Method for Very Large

Databases. Proceedings of the ACM SIGMOD Conference on Management of Data, Canada: p.103-

114, 1996 .

[14]SPSS Inc. The SPSS TwoStep cluster component. A scalable component to segment your

customers more effectively. White paper technical report, Chicago. Disponvel em:

ftp://ftp.spss.com/pub/web/wp/TSCWP-0101.pdf, 2001.

[15]SPSS Inc. SPSS 15.0 Algorithms. Chicago. p. 732-738. Disponvel em:

http://www.si.uevora.pt/spss/pdf/manual_spss_15/SPSS%2015.0%20Algorithms.pdf Acessado em:

17/02/09, 2006.

[16]ZHANG, T., RAMAKRISHNAN, R., BIRCH, M. Livny: An efficient data clustering method for

very large databases. In: Proceedings of the ACM SIGMOD Conference on Managem ent of Data.Montreal, Canada: ACM. pp. 103-114. 1996.

Date post:	01-Mar-2018
Category:	Documents
Upload:	marcusvinicius
View:	216 times
Download:	0 times

Artigo Two Step Clusters Ar Condicionado Versão Final

Documents