Limitações, Recomendações e Questões para investigação futura

Precisamente por esse fator de novidade presente no tema abordado existe, ainda, um longo caminho que pode ser trabalhado.

Sendo que a este processo, devem ser complementares outros aspetos e análises, tais como a elaboração de uma caracterização da loja per si, onde sejam procuradas e identificadas oportunidades de negócio (nomeadamente através da realização da análise PESTEL e Swot) ou a realização de uma análise de causas, também designada como plano de ações 5 w 1 h (correspondendo a: what (o que será feito?), when (quando será feito?), where (onde será feito?), who (quem o fará?), why (porque será feito?), how (como será feito?). Uma vez que as oportunidades se podem situar em vários pontos de atuação e em diferentes momentos, é importante descobrir onde está essa oportunidade (será num segmento, numa categoria ou será até mesmo num localidade específica). Sendo igualmente importante saber como se manifesta essa oportunidade e para onde está a ser desviada essa oportunidade. Bem como, o porquê disto se verificar (será devido a uma gama de loja desajustada ao perfil dos seus clientes, uma questão de espaço, etc). Ajuda, igualmente, a identificar potenciais causas que originam tais oportunidades, permitindo definir o que irá ser feito.

Possibilita, após o tratamento de toda esta informação, definir, de forma correta e adequada, o Plano de Ações a implementar, através da apresentação de potenciais melhorias (o que é proposto ser feito) e de prazos (quando será feito) para a sua implementação. Torna, assim, possível que cada membro da equipa da Loja saiba quem

64

fundamental a construção de um plano com uma linguagem precisa e adequada a todos os intervenientes, de forma a não deixar margem para dúvidas.

Através deste processo é possível enriquecer o entendimento e o conhecimento da e na Loja. Aumentando a objetividade das ações e a sua eficiência e eficácia.

Poderá também ser interessante, englobar a questão geográfica das lojas, isto é, verificar de que forma a localização da loja pode condicionar a forma como esta é alocada aos clusters existentes. Que nos remete para uma outra questão, relativa à área em que as lojas estão inseridas e à sua área de influência, isto é, até que distância (medida em minutos) a loja consegue atrair consumidores e quais as percentagens de consumidores correspondentes a cada uma dessas distâncias (ou seja, a cada um desses minutos). Sendo necessário, verificar se existem sobreposições de áreas de influência, que ocorrem quando duas lojas da mesma organização “competem” entre si pelos mesmos consumidores.

Um outro aspeto a apreciar, seria a consideração de diferentes abordagens para este tema de clusterização de lojas, procurando alcançar um algoritmo mais adequado, por exemplo, utilizando o método fuzzy. Paralelamente, poderia ser tentado alargar este estudo a outras áreas de atuação.

65

Referências Bibliográficas

 Adams, N. M., D. J. Hand e R. J. Till (2001), “Mining for Classes and Patterns in Behavioural Data”, The Journal of the Operational Research Society, Vol. 52, pp. 1017-1024.

 Allaway, Arthur W., Richard M. Gooner, David Berkowitz, Lenita Davis (2006), “Deriving and Exploring Behavior Segments Within a Retail Loyalty Card Program”, European Journal of Marketing, Vol. 40, pp. 1317-1339.

 Berman, Barry (2006), “Developing na Effective Customer Loyalty Program”, California Management Review, Vol 49, pp.123-148.

 Brito, Carlos Melo (1998), “O Marketing da 3ª Vaga”, Revista Portuguesa de Marketing, Nº6, pp. 75-80.

 Brown, Marvin L. e John F. Kros (2003), “ Data Mining and the Impacto f Missing Data”, Industrial Management & Data Systems, Vol. 103, pp. 611-621.

 Cooke, Simon (1994), “Database Marketing: Strategy or Tactical Tool?”, Marketing Intelligence & Planning, Vol. 12, pp. 4-7.

 DeTienne, Kristen Bell e Jeffery A. Thompson (1996), “ Database Marketing and Organizational Learning Theory: Toward a Research Agenda”, Journal of Consumer Marketing, Vol. 13, pp. 12-34.

 Dibb, S. e Lyndon Simkin (2010), “ Judging the Quality of Customer Segments: Segmentation Effectiveness”, Journal of Strategic Marketing, Vol. 18, pp. 113- 131.

 Dibb, S. e Lyndon Simkin (1997), “A Program for Implementation Market Segmentation”, Journal of Business & Industrial Marketing, Vol. 12, pp. 51-65.

 Dibb, S., Philip Stern e Robin Wensley (2002), “ Marketing Knowledge and the Value of Segmentation”, Marketing Intelligence & Planning, Vol.20, pp. 113- 119.

 Fayyad Usama M. e Padhraic Smyth (1999), “Cataloging and Mining Massive Datasets for Science Data Analysis”, Journal of Computational and Graphical Statistics, Vol. 8, pp. 589-610.

66

 Fienberg, Stephen E. (2006), “Privacy and Confidentiality in na e-Commerce World: Data Mining, Data Warehousing, Matching and Disclosure Limitation”, Statistical Science, Vol. 21, pp. 143-154.

 Goller, S., Annik Hogg e Stavros P. Kalafatis (2002), “A new Research Agenda for Business Segmentation”, European Journal of Marketing, Vol. 36, pp. 252- 271.

 Gordon, A. D. e J. T. Henderson (1977), “An Algorithm for Euclidean Sum of Squares Classification”, Vol. 33, pp. 355-362.

 Hand, David J. (1998), “Data Mining: Statistics and More?”, The American Statistician, Vol. 52, pp. 112-118.

 Hoek, J., Philip Gendall e Don Esslemont (1996), “Market Segmentation: A Search for the Holy Grail?”, Journal of Marketing Pratice: Applied Marketing Science, Vol. 2, pp. 25-34.

 Little, John D. C. (1979), “Decision Systems for Marketing Managers”, Journal of Marketing, Vol. 43, pp. 9-26.

 Ma, Jingjing, Maoguo Gong, Licheng Jiao (2011), “ Evolutionary Clustering Algorithm Based on Mixed Measures”, International Journal of Intelligent Computing and Cybernetics, Vol. 4, pp. 511-526.

 Naik, P. A, Kalyan Raman e Russell S. Winer (2005), “Planning Marketing-Mix Strategies in the Presence of Interaction Effects”, Marketing Science, Vol. 24, pp. 25-34.

 Oliveira-Brochado, A., Franscisco V. Martins (2008), “Market Segmentation Methodology: Segmentation basis and Classification Methods”, Revista Brasileira de Gestão de Negócios, Vol. 10, nº27, pp.132-149.

 Schoenbachler, Denise D., Geoffrey L. Gordon, Dawn Foley, Linda Spellman (1997), “Understanding Consumer Database Marketing”, Journal of Consumer Marketing, Vol. 14, pp. 5-19.

 Slater, Stanley F. e Eric M. Olson (2001), “Marketing´s Contribution to the Implementation of Business Strategy: An Empirical Analysis”, Strategic Management Journal, Vol. 22, pp.1055-1067.

67

 Smith, W. R. (1956), “Product differentiation and market segmentation as marketing strategies”, Journal of Marketing, Vol. 21, pp. 3-8.

 Stoddard, Anne M. (1979), “Standardization of Measures Prior to Cluster Analysis”, Biometrics, Vol. 35, pp. 765-773.

 Tibshirani, Robert e Guenther Walther (2005), “Validation by Prediction Strength”, Journal of Computational and Graphical Statistics, Vol. 14, pp. 511- 528.

 Waterschoot, W. V e Christophe Van den Bulte (1992), “The 4P Classification of the Marketing Mix Revisited”, Journal of Marketing, Vol. 56, pp. 83-93.

 Brown, S. Walter; Evert Gummersson, Bo Edvardsson e Bengtove Gustavsson (1991), Service Quality: Multidisciplinary and Multinational Perspectives, New York: Lexington Books.

 Cravens, David W. e N. F. Piercy (2007), Marketing Estratégico, 8ª ed., São Paulo: MacGraw-Hill.

 Dionísio, P., J. P. Rodrigues, J. Lendrevie e B. Brochand (1990), Mercator: Teoria e Prática do Marketing, 9ª ed., Lisboa: Dom Quixote.

 Gordon, Ian H. (1998), Relationship Marketing: New Strategies, Techniques and Technologies to Win the Customers You Want and Keep Them Forever, Toronto: John Wiley.

 Kotler, P. e G. Armstrong (2007), Princípios de Marketing, 12ª ed., São Paulo: Pearson Prentice Hall.

 Kotler, P. (2003), Marketing Insights from A to Z, Toronto: John Wiley.

 Kotler, P. (2000), Marketing Management, 10ª ed., New Jearsey: Prentice Hall, Inc.

 Solomon, M. R., G. Bamossy, S. Askegaard e M. K. Hogg (2010), Consumer Behaviour : a European Perspective, 4th ed, Harlow: Prentice-Hall.

 Brito, C. M. (1998), “A insustentável leveza do marketing”, Working Paper nº 81, pp. 1-16.

 Davidson, Ian (2002), “Understanding K-Means Non-Hierarchical Clustering”, Technical Report, pp. 1-5.

68

 Galluccio, Laurent, Olivier Michel, Pierre Comon, Alfred O. Hero III (2012), “Graph Based K-Means Clustering”, Signal Processing 92, pp. 1970-1984.

 Horta, Danilo e Ricardo J. G. B. Campello (2012), “Automatic Aspect Discrimination in Data Clustering”, Pattern Recognition 45, pp. 4370-4388.

 Hua, Ming e Jian Pei (2012), “Clustering in Applications with Multiple Data Sources – A Mutual Subspace Clustering Approach”, Neurocomputing 92, pp. 133-144.

 Lin, T. T., Chia-Chi Lee e Hsiao-Chi Lin (2012), “Analysis of Customer Profit Contribution for Banks with the Concept of Marketing Mix Strategy Between 4Cs and 5Ps”, Springer-Verlag, Empirical Article, pp. 1-23.

 Wagstaff, Kiri, Claire Cardie, Seth Rogers e Stefan Schroedl (2001), “Constrained K-Means Clustering with Background Knowledge”, Proceedings of the Eighteenth International Conference on Machine Learning, pp. 577-584.

69

Anexos

Anexo I - Distâncias euclidianas

Comecemos por fazer uma análise sobre a que distâncias as lojas se encontram dos restantes clusters (que não o cluster a que foi alocada), permitindo, assim, analisar, a tendência das lojas “migrarem” entre clusters.

Deste modo, constatámos que foram 23 as lojas que sofreram alterações entre períodos. Sendo que nenhuma loja fez um trajeto que a fizesse pertencer a três clusters diferentes, ou seja, verificaram-se, sempre, passagens entre dois e só dois clusters. Ao analisarmos as diferenças obtidas nos vários clusters, podemos constatar que:

 No “cluster vermelho”, as lojas transitam, apenas, entre este e o “cluster azul”.

 O “cluster azul”, para além do referido anteriormente, também apresenta um intercâmbio com o “cluster verde”.

 Já o “cluster verde”, verifica alterações tanto com o “cluster azul” como com o “cluster roxo”. – Mais uma vez, através desta análise, chega-se à conclusão de que é o “cluster verde” o mais estandardizado, na medida que foi o único que sofreu alterações entre segmentos mais díspares entre si (predomínio do Seg5 ou Seg6 nas lojas, respetivamente).

 Já o “cluster roxo”, apenas verifica alterações com o “cluster verde”.

Resumindo, as lojas do “cluster verde”, poderão estar próximas ou do “cluster roxo” ou do “cluster azul”. Já as lojas do “cluster roxo”, só poderão estar próximas do “cluster verde”. As lojas do “cluster azul”, para além de poderem estar próximas do “cluster verde”, também podem estar próximas do “cluster vermelho” (no entanto, caso a segunda distância mais próxima da loja seja o “cluster verde” – a primeira é naturalmente o “cluster azul” – poderá, esta loja, apresentar como terceiro cluster mais próximo, tanto o “cluster vermelho” como o “cluster roxo”). Já o “cluster vermelho”, apenas apresenta lojas com valores próximos do “cluster azul”. Relativamente às alterações verificadas, podemos constatar que estas seguem um determinado padrão. Sendo que nenhuma passou por mais do que dois clusters diferentes entre estas análises, ou seja, as lojas não mudaram radicalmente ao longo das análises temporais efetuadas.

70 Nº Loja 2009 2010 2011 Alterações 7 Cluster Verde Cluster Verde Cluster

Roxo Passou em 2011 para Cluster Roxo (anteriormente era Cluster Verde)

16 Cluster _Verde Cluster _Azul Cluster _{Azul Após 2009, passou de Cluster Verde para Cluster Azul}

203 Cluster _Verde Cluster _Azul Cluster _{Verde Teve uma passagem para Cluster Azul em 2010, mas voltou a Cluster Verde em 2011}

206 Cluster Roxo Cluster Verde Cluster

Roxo Teve uma passagem para Cluster Verde em 2010, mas voltou em 2011 a Cluster Roxo

211 Cluster _{Azul Vermelho}Cluster _VermelhoCluster _{Após 2009, passou de Cluster Azul para Cluster Vermelho}

224 Cluster _Verde Cluster _Azul Cluster _{Verde Teve uma passagem para Cluster Azul em 2010, mas voltou a Cluster Verde em 2011}

231 Cluster _{Azul Vermelho}Cluster _VermelhoCluster _{Após 2009, passou de Cluster Azul para Cluster Vermelho}

233 Cluster Roxo Cluster Verde Cluster

Roxo Teve uma passagem para Cluster Verde em 2010, mas voltou em 2011 a Cluster Roxo

234 Cluster Roxo Cluster Verde Cluster

71

236 Cluster _Verde Cluster _Azul Cluster _{Azul Após 2009, passou de Cluster Verde para Cluster Azul}

242 Cluster _{Azul Vermelho}Cluster _VermelhoCluster _{Após 2009, passou de Cluster Azul para Cluster Vermelho}

247 Cluster _{Azul Vermelho}Cluster _VermelhoCluster _{Após 2009, passou de Cluster Azul para Cluster Vermelho}

252 Cluster Verde Cluster Verde Cluster

Roxo Passou em 2011 para Cluster Roxo (anteriormente era Cluster Verde)

263 Cluster _Verde Cluster _Azul Cluster _{Verde Teve uma passagem em 2010 para Cluster Azul, mas voltou a Cluster Verde em 2011}

267 Cluster _Verde Cluster _Azul Cluster _{Verde Teve uma passagem em 2010 para Cluster Azul, mas voltou a Cluster Verde em 2011}

273 Cluster _{Azul Vermelho}Cluster _VermelhoCluster _{Após 2009, passou de Cluster Azul para Cluster Vermelho}

280 Cluster _{Azul Vermelho}Cluster _VermelhoCluster _{Após 2009, passou de Cluster Azul para Cluster Vermelho}

294 Cluster Roxo Cluster Verde Cluster

72

297 Cluster _Verde Cluster _Azul Cluster _{Verde Teve uma passagem para Cluster Azul em 2010, mas voltou a Cluster Verde em 2011}

326 Cluster _Verde Cluster _Azul Cluster _{Azul Após 2009, passou de Cluster Verde para Cluster Azul}

334 Cluster _Azul Cluster _{Azul Vermelho}Cluster _{Passou em 2011 para Cluster Vermelho (anteriormente era Cluster Azul)}

466 Cluster _{Azul Vermelho}Cluster _VermelhoCluster _{Após 2009, passou de Cluster Azul para Cluster Vermelho}

471 Cluster _Verde Cluster _Azul Cluster _{Azul Após 2009, passou de Cluster Verde para Cluster Azul}

73