Instrumentos de Análise

3.3.1. Entrevistas Individuais e Análise de Conteúdo

Esta fase qualitativa teve como objectivo estudar a receptividade por parte dos responsáveis em cargos de direcção relativamente a uma filosofia de gestão centrada no cliente. As entrevistas focaram a importância do Cliente, do CLV e da Segmentação de Clientes para a empresa e as suas possíveis aplicações.

O recurso a esta técnica de recolha de informação tem sido uma escolha frequente no que toca a temas relacionados com o cliente, com estratégias de CRM e com o empenho dos empregados no que diz respeito à orientação para o cliente (Shum et al., 2006, p.1346-1371).

O estudo foi conduzido através de entrevistas individuais semi-estruturadas com recurso a um guião de entrevista. Esta primeira etapa do projecto visou avaliar a compreensão, receptividade e relevância dos conceitos de CRM, CLV e Segmentação por parte de responsáveis em cargos de direcção. A partir destes dados pretendeu-se avaliar o foco da empresa nos seus clientes e a receptividade da empresa em adoptar uma filosofia de gestão centrada no cliente, já que os entrevistados fazem parte do corpo responsável pela tomada de decisão na empresa.

Como se trata de um tema complexo devido às vertentes que pode tomar (desde a satisfação dos clientes à satisfação dos accionistas), confidencial e que envolve responsáveis de direcção, a condução de entrevistas individuais apresentou-se como o método de recolha de informação mais apropriado (Malhotra & Birks, 2006, p.180). De facto, as entrevistas em profundidade são a melhor forma de chegar aos gestores e de recolher a sua opinião quando se trata de investigações no âmbito de uma empresa. As entrevistas tiveram lugar no local de trabalho e foram marcadas consoante a

disponibilidade dos entrevistados. Adicionalmente, as entrevistas individuais permitiram elevada profundidade, a isenção de interferências e a observação do entrevistado no seu contexto laboral.

A informação recolhida foi estudada a partir da Análise de Conteúdo, que pode ser entendida como “uma descrição objectiva, sistemática e quantitativa do conteúdo manifesto numa comunicação”11 (Malhotra & Birks, 2006, p.725). O conteúdo analisado podem ser palavras, caracteres, temas, medições do espaço ou do tempo e tópicos. Esta técnica é aplicada em análises dos conteúdos de mensagens publicitárias, de artigos de jornais e de programas de televisão e rádio (Malhotra & Birks, 2006, p.246).

O principal objectivo de uma Análise de Conteúdo é sintetizar a informação recolhida, de entrevistas por exemplo, resumindo e estruturando as declarações. A análise sistemática e a síntese das declarações dos entrevistados podem ser efectuadas recorrendo a uma matriz e esta deverá ser estruturada conforme o guião de entrevista.

3.3.2. Análise de Clusters

A análise de clusters, ou clustering, consiste numa técnica de redução de dados que permite agrupar observações individuais em grupos homogéneos (clusters) utilizando um conjunto de variáveis. O objectivo deste tipo de análise é formar segmentos de clientes (no âmbito desta investigação) que possuem perfis semelhantes e que esses segmentos sejam tão distintos entre si quanto possível (Vilares & Coelho, 2005, p.182).

Este tipo de análise não obedece a classes ou variáveis pré-definidas. Cabe ao investigador escolher as variáveis de segmentação e interpretar os clusters obtidos. Esta técnica permite agrupar os clientes com padrões de compra semelhantes, para depois se desenvolver os esforços comerciais adequados (bem como todos os recursos envolvidos) para cada segmento (Berry & Linoff, 2000, p.10-11). Não se deverá confundir a segmentação de clientes resultante desta tarefa de data mining com os segmentos já conhecidos no negócio, isto é, o resultado desta análise tem como objectivo agrupar os clientes com base nas características reflectidas nos dados e não com base no conhecimento existente acerca do mercado (Berry & Linoff, 2000, p.71).

Esta prática tem sido utilizada de forma muito abrangente na resolução de problemas de segmentação de clientes. A análise de clusters tem sido usada, não só, para ajustar a oferta comercial em termos de produtos às necessidades de cada um dos grupos de clientes (Fernández-

Aguirre et al., 2003, p.243), como também, na resolução de problemas de marketing mais específicos, como por exemplo o desenvolvimento de catálogos personalizados (Amiri, 2006, p.1860) ou o estudo dos programas de cartões de lealdade (Allaway et al., 2006, p.1317).

A análise de clusters pode também ser utilizada em modelos mistos de análise, como por exemplo juntamente com a análise de correspondências (Ho & Hung, 2008, p.328). Este tipo de modelo torna possível posicionar num mapa perceptual os clusters obtidos e comparar a sua localização com a de outras variáveis. Este mapa permite analisar o posicionamento das variáveis e dos clusters, tornando possível corresponder cada cluster às variáveis que se encontrem mais perto e, assim, fazer associações entre eles.

Os métodos de clustering distinguem-se por dois tipos: hierárquicos e não hierárquicos. Os métodos hierárquicos funcionam construindo uma hierarquia e podem ser classificados em aglomerativos e em divisivos. Os métodos aglomerativos vão agrupando os objectos (clientes) em clusters cada vez maiores até todos os objectos pertencerem a um único cluster. Os métodos divisivos vão dividindo os objectos em clusters cada vez mais pequenos até que cada cluster contenha apenas um objecto. Os métodos não hierárquicos caracterizam-se pela distribuição arbitrária de um conjunto de centroides (onde será o primeiro centro de cada cluster) cujo número é definido à priori. A partir daí, são calculadas as distâncias entre os objectos e os centroides e os objectos que se encontrarem a menor distância são afectos ao respectivo cluster. Este processo vai se repetindo recalculando as distâncias dos objectos reposicionados aos centroides de cada cluster até se atingir alguma estabilidade do modelo ou até se atingir uma adequação óptima aos objectivos da análise (Vilares & Coelho, 2005, p.183-184).

Os modelos baseados em métodos não hierárquicos produzem geralmente melhores soluções que os modelos baseados nos métodos hierárquicos. No entanto, obrigam a que se escolha logo à partida o número de clusters que se pretende e a solução resultante fica determinada pelos centroides iniciais, que são criados arbitrariamente em cada solução testada (Vilares & Coelho, 2005, p.189).