Contemplando a Subjetividade na Mensuração do Nível de Satisfação do Cliente: Uma Abordagem Experimental Utilizando os Conceitos da Lógica Fuzzy

(1)

Autoria: Rodrigo Prante Dill, Cesar Duarte Souto-Maior, Fernando Dal-Ri Murcia, Jean Martins de Souto, Leandro Daros

Resumo

No cenário de incertezas que permeia a tomada de decisão gerencial, ferramentas de diversas áreas da ciência têm sido trazidas por especialistas para auxiliar a resolução de problemas organizacionais, como a mensuração da satisfação dos clientes. Dentre essas ferramentas, destaca-se a lógica fuzzy, desenvolvida por Zadeh (1965), com o intuito de contemplar a ambigüidade inerente na tomada de decisão não levada em conta pelas metodologias convencionais que utilizam a lógica binária como alicerce. O propósito deste estudo consiste em propor um modelo que utiliza a lógica fuzzy para mensurar a satisfação do cliente de uma cooperativa. Para isso, entrevistou-se uma amostra de 208 clientes no intuito de identificar os principais fatores que influenciam essa satisfação. Posteriormente, por meio da utilização do software FuzzyTech®, construiu-se um modelo nebuloso com cinco entradas e as respectivas as funções de pertinência. Foram criadas 900 regras de inferência, que posteriormente foram ajustadas mediante uma rede neural que resultaram em três saídas. Os resultados dessa pesquisa demonstram que modelos nebulosos podem também ser utilizados como ferramentas para mensuração da satisfação do cliente.

1. Introdução

A finalidade do controle gerencial é assegurar que as estratégias sejam obedecidas, de forma que os objetivos da organização sejam atingidos (ANTHONY e GOVINDARAJAN, 2002). Contudo, as práticas de controle gerencial vêm sofrendo reformulações. Segundo Pereira e Guerreiro (2005), devido ao novo ambiente econômico e social, as organizações têm implementado mudanças profundas nos negócios, e conseqüentemente nas suas práticas de controle gerencial. Essas mudanças acabam por tornar a gestão mais complexa (FREZATTI et al., 2005). Neste sentido, quando a complexidade de uma decisão aumenta, nossa habilidade de tomar decisões precisas sobre o comportamento desta decisão diminui, até o ponto onde a precisão e a relevância se tornam mutuamente exclusivas (ZADEH, 1978). Conseqüentemente, quanto mais detalhadamente analisamos os complexos problemas das corporações, mais nebulosa se tornam nossas explicações (SIEGEL et al., 1998).

No cenário de incertezas que permeia as organizações, inúmeras ferramentas de diversas áreas da ciência têm sido trazidas por especialistas para o auxílio na resolução de problemas gerenciais. Áreas tradicionais de negócios estão sendo invadidas por especialistas de outras áreas, como os analistas de sistemas, programadores de computação e especialistas em pesquisa operacional que trazem para a contabilidade e administração suas diferentes qualidades e conhecimento (GLAUTIER e UNDERDOWN, 1994).

Dentre essas novas ferramentas, destacam-se as abordagens de inteligência artificial. Uma dessas ferramentas chamada de lógica fuzzy (lógica nebulosa, lógica difusa), foi desenvolvida por Lotfi Zadeh em 1965 com o objetivo de quantificar a imprecisão e a incerteza. Desde sua introdução essa ferramenta vem sendo amplamente discutida na Academia Internacional. Revistas especializadas como a International Journal of Intelligent Systems in Accounting, Finance and Management tratam exclusivamente da aplicação dos sistemas inteligentes no mundo dos negócios. Outros periódicos internacionais como o Expert

(2)

Systems with Aplications, e o Fuzzy Set and Systems, tratam especificamente de temas relacionados a sistemas inteligentes e a lógica fuzzy.

A principal vantagem da lógica fuzzy é sua habilidade de suportar modelos de raciocínio vago e impreciso. Um conjunto nebuloso não possui uma fronteira (limite) preciso. A diferença entre pertencer e não pertencer não existe, mas sim uma graduação de pertinência. Esse grau de pertinência está associado a cada elemento e define o quanto cada objeto do universo satisfaz a propriedade associada ao conjunto. A proposta da lógica nebulosa é assumir uma premissa que varia em grau de pertinência no intervalo [0,1], que gera um conjunto parcialmente verdadeiro ou falso (SHAW e SIMOES, 1999). Para Zebda (1998) a teoria dos conjuntos fuzzy não é uma teoria de decisão, mas sim um cálculo (uma linguagem de modelagem) onde fenômenos vagos nos sistemas humanísticos podem ser tratados de forma sistemática.

O objetivo deste estudo é propor um modelo que utiliza a lógica fuzzy para mensurar a satisfação do cliente de uma cooperativa. O restante deste trabalho segue a seguinte ordem. A seção 2 apresenta o referencia teórico deste trabalho. A seção 3 ilustra os conceitos da operacionalização da lógica fuzzy e revisa algumas das principais pesquisas que utilizaram a lógica fuzzy na gestão empresarial. A seção 4 descreve a construção do modelo proposto. Seção 5 ilustra o teste prático do modelo fuzzy e a seção 6 apresenta as conclusões, restrições e recomendações deste trabalho.

2. Referencial Teórico

A compreensão dos sentimentos e cognições que ocorrem durante e após o consumo de produtos e serviços está se tornando uma crescente área de estudo para os pesquisadores; além disso, começa a se transformar em uma área estratégica importante para as empresas que queiram se manter no mercado atual, extremamente competitivo.

Conforme Berkman et al. (1996) as empresas devem ter consciência das muitas maneiras pelas quais o consumidor lida com a insatisfação. Os consumidores podem adotar ou não alguma ação; se eles agem, podem adotar ações públicas ou privadas. Ações públicas incluem reclamações feitas diretamente à empresa, ações ou processos legais ou reclamar com outros grupos, tais como serviços de proteção ao consumidor. Day (1984) afirma que existem quatro fatores determinantes na apresentação ou não de uma queixa pelo consumidor: (a) nível de significância do ato de consumo, ou seja, a importância do produto, seu preço, sua visibilidade social e o tempo requerido na compra; (b) nível de conhecimento e experiência, ou seja, número de compras anteriores, conhecimento do produto, percepção pelo consumidor de sua habilidade em comprar, outras experiências de queixas; (c) dificuldade em obter a reparação do erro, em função do tempo e custos envolvidos, e alteração da rotina; (d) possibilidades de obter sucesso com a queixa. Os consumidores podem também simplesmente evitar comprar o produto e informar seus amigos de que não devem comprá-lo (propaganda boca a boca negativa), que é o que acontece com mais freqüência.

Albrecht e Zemke apud Kotler (1998, p. 39) afirmam que as empresas deveriam medir regularmente o nível de satisfação de seus clientes. Não se pode esperar que todos os consumidores insatisfeitos apresentem reclamações. De fato, 95% dos consumidores insatisfeitos nunca falam sobre seu problema com a empresa, apenas deixam de comprar. Estas devem criar sistemas de sugestões para encorajar os consumidores a reclamarem. Dessa forma a empresa pode descobrir a qualidade de seu desempenho e melhorá-lo. Lidar de maneira eficaz com os consumidores insatisfeitos pode aumentar a sua lealdade para com a empresa e melhorar a imagem da mesma.

Segundo Evrard (1994) na década de 1970, por exemplo, alguns estudos sobre a satisfação dos consumidores surgiram como conseqüência dos trabalhos realizados por Ralph

(3)

Day e Keith Hunt. Estes trabalhos foram realizados nos Estados Unidos e Canadá e situavam-se dentro de uma perspectiva de diagnóstico sobre o funcionamento dos mercados, a fim de ajudar na decisão de matérias de políticas federais de regulamentação no âmbito do consumo e no contexto de desenvolvimento dos movimentos de defesa do consumidor. Nessa época as empresas estavam mais preocupadas com o comportamento do comprador do que com a satisfação pós-compra, ou seja, suas abordagens com a satisfação eram mais reativas do que ativas.

De acordo Rossi e Slongo (1997), foi na década de 1980, no entanto, que a pesquisa de satisfação de clientes passou por uma fase de grande desenvolvimento, tanto no nível macro - por exemplo, estudos comparativos intersetoriais das relações entre a satisfação dos consumidores e a estrutura dos mercados, quanto no nível micro - pesquisas específicas de empresas interessadas em obter informações a respeito do nível de satisfação de seus clientes. O aumento desse interesse nos anos 80 foi conseqüência da tomada de consciência das empresas em relação à importância da satisfação do consumidor como variável-chave de comportamentos posteriores, como a recompra e propaganda boca a boca favorável. Além disso, houve também o impulso gerado pelos programas de qualidade total, onde a satisfação de clientes representa a faceta de marketing.

Solomon (1994) ressalta que atividades importantes ocorrem depois que o produto foi comprado, pois é após o uso que o consumidor avalia a sua satisfação com a aquisição. O processo de satisfação é importante para que os profissionais de marketing compreendam que o fator de sucesso dentro da organização é a construção de um relacionamento com o consumidor. Este relacionamento é que possibilita que o cliente realize compras futuras com a empresa. Deste modo, a satisfação é determinada pelos sentimentos ou atitudes que a pessoa tem sobre o produto após ter sido comprado. Os consumidores estão engajados em constantes processos de avaliação dos objetos que adquirem, principalmente se estes produtos fazem parte do uso diário.

Oliver (1996) coloca o estudo da satisfação sob quatro perspectivas. A primeira trata do ponto de vista do consumidor, ou seja, a satisfação é vista como sendo uma busca individual, um objetivo a ser alcançado através do consumo de produtos e serviços. A segunda perspectiva apresenta o ponto de vista da empresa.

Em uma sociedade capitalista, a maioria das empresas persegue o lucro, sendo que, normalmente, sua rentabilidade é conseqüência da venda repetida de seus produtos ou serviços ao longo do tempo. Portanto, se os clientes de uma determinada empresa não ficarem satisfeitos e pararem de consumir seus produtos e/ou serviços, ou trocarem de fornecedor, provavelmente o seu lucro será afetado, mais cedo ou mais tarde. A terceira perspectiva diz respeito ao mercado como um todo. Cada vez mais a satisfação - e também a insatisfação - dos consumidores vêm sendo estudadas como forma de influenciar na regulamentação das políticas exercidas pelo mercado, tanto no setor público quanto no setor privado. Finalmente, a perspectiva da sociedade é a mais ampla e considera a satisfação do indivíduo não só como um agente de consumo de produtos e serviços, mas como alguém que busca uma melhor qualidade de vida em geral, ou seja, a satisfação do cidadão em relação à sua saúde física, mental e financeira.

2.1. Conceito de satisfação

Evrard (1994) afirma que o conceito de satisfação recebeu numerosas definições ao longo do tempo. Podem ser classificadas em duas categorias principais: aquelas que caracterizam a satisfação como sendo o resultado de um processo (experiência de consumo) ou aquelas que integram na definição o todo ou uma parte desse processo (baseada na comparação).

(4)

Segundo Möwen (1995, p. 511), a satisfação do consumidor é definida simplesmente como “a atitude geral sobre um produto ou serviço após a sua aquisição e uso. É o julgamento de avaliação posterior à compra, resultante de uma compra específica”. Todos os indivíduos que iniciam um processo de compra apresentam certas expectativas quanto ao desempenho do produto ou serviço, e a satisfação é esperada como resultado desse processo. Para Engel et al. (1995, p. 545): “a satisfação é uma avaliação pós-consumo em que a alternativa escolhida no mínimo alcance ou mesmo exceda as expectativas”. Na visão de Oliver (1996, p. 13): “a satisfação é uma reação completa do consumidor ao ato de consumir. É um julgamento de que os atributos do produto ou serviço proporcionam, ou estão proporcionando um nível de experiência completa de consumo, que pode ser agradável ou não”.

Para Rossi e Slongo (1997), a satisfação do consumidor possui duas dimensões essenciais: a satisfação referente a uma transação específica e a satisfação acumulada. Os pesquisadores de marketing e de comportamento do consumidor concordam quanto ao fato da satisfação ser uma medida individual de uma transação específica ou como a avaliação de uma experiência particular com um produto ou serviço. Porém existem divergências quanto à seguinte questão: a qualidade percebida (ou desempenho) do serviço é um antecedente da satisfação numa transação específica, ou ao contrário, a satisfação com uma transação específica é um antecedente da qualidade percebida do produto ou serviço? Os estudos mais recentes baseiam-se na visão de Johnson (1995) e Fornell (1996), que consideram a satisfação como um constructo abstrato que descreve as experiências acumuladas de consumo com um produto ou serviço, ao longo do tempo.

Para esses autores o conceito acima é mais consistente com as visões existentes na psicologia, onde a satisfação é comparada com a noção subjetiva de bem-estar; e na economia, aonde a satisfação vai além da utilidade esperada para envolver também a utilidade de consumo após a compra. A satisfação é uma avaliação global do consumidor em relação à sua experiência de consumo até o momento. Como a satisfação acumulada afeta diretamente o grau de lealdade do consumidor e consequentemente a rentabilidade do negócio, ela serve como um denominador comum para descrever as diferenças entre empresas e setores econômicos.

“Em resumo, enquanto a visão de transação específica da satisfação proporciona uma compreensão valiosa a respeito de produtos e serviços, num período de curto prazo, a satisfação cumulativa é um indicador fundamental do desempenho a longo prazo de um segmento de mercado ou empresa específica” (JOHNSON et al., 1995, p. 699).

“A satisfação do consumidor é uma avaliação feita pelo consumidor a partir de sua ampla experiência com um produto ou serviço até o momento” (Johnson, 1994, p. 4). Conforme Johnson e Fornell (1991) existem várias divergências na ciência econômica a respeito da comparação da satisfação entre indivíduos e indústrias. Apesar do longo debate, principalmente entre os economistas, para excluir a satisfação como um elemento de medida comparável, inúmeros teóricos consideram a satisfação não só como mensurável e comparável entre indivíduos e categorias de produtos, mas também como um fator determinante da formação de estratégias e políticas empresariais.

Johnson (1994) coloca que, mais recentemente, a satisfação voltou a ser uma referência para efetuar comparações significativas entre consumidores e produtos. A questão essencial é como efetuar essas comparações de satisfação. Os teóricos da área econômica estão mais concentrados em comparações relativas ao bem-estar econômico de forma global, que incluem não somente a satisfação com o consumo, mas também com o trabalho e a remuneração. Já alguns pesquisadores da área de políticas de consumo concluíram que medidas subjetivas de satisfação do consumidor são incapazes de revelar diferenças expressivas na satisfação. Uma vez que os consumidores se adaptam aos níveis de desempenho dos produtos e serviços disponíveis, nenhuma diferença significativa na

(5)

satisfação deveria aparecer. Outros problemas seriam as diferenças individuais no grau de adaptação dentro das indústrias e a noção de que os consumidores podem ter diferentes padrões pelos quais julgam a satisfação. E mesmo que usassem o mesmo padrão, os consumidores teriam alternativas de produtos e serviços muito diferentes entre si, e o conhecimento e as informações a respeito de cada um deles também seriam diferentes.

“Apesar de tudo isso, quem melhor pode estar na posição de avaliar a satisfação do consumidor, do que o próprio consumidor?” (Johnson, 1994, p. 6). O autor afirma também que a economia globalizada está levando a uma maior similaridade entre as pessoas. Além disso, vive-se na era da informação, que permite que consumidores de diferentes países e classes sociais tenham conhecimentos sobre as várias alternativas de produtos e serviços disponíveis no mercado, facilitando o processo de comparação.

3. Lógica Fuzzy

Em 1965, o professor Lotfi Zadeh publicou o primeiro trabalho de pesquisa sobre a teoria da Lógica Fuzzy, também conhecida como lógica nebulosa, que trata dos conjuntos não totalmente verdadeiros nem tampouco totalmente falsos. De maneira geral, a Lógica Fuzzy deve ser vista como uma teoria matemática formal para a representação de incertezas (YAGER et al., 1987, 52). Como exemplos de pesquisas pioneiras que utilizaram os conceitos dos sistemas especialistas na área dos negócios, podem-se destacar os trabalhos de Steinbart (1987) no julgamento da materialidade nos processos de auditoria, Harrington e Twark (1991) na avaliação dos preços das ações e pagamento de dividendos e Borthick (1987) no planejamento de auditoria.

Autores

Área do Estudo/ Aplicação Revista / Congresso

Kaneko (1996) Sistema para diagnose financeira Computers Ind. Engineering. Rangone (1997) Efetividade organizacional, fatores chave de

sucesso e medidas de desempenho.

Management Accounting Research

Bayou e Reinstein (1997) Custo meta para a indústria automobilística Journal of Cost Management

Deshmukh e Romine (1998)

Mensuração e combinação dos sinais de alerta nas fraudes financeiras.

Journal of Accounting and Computers

Friedlob e Schleifer (1999) Modelo para mensurar risco e incerteza Managerial Auditing Journal. Syau et. al. (2001) Avaliação e risco de crédito Review of Quantitative Finance

and Accounting

Shehab e Abdalla (2002) Modelagem de um sistema de custeio Advanced Manufacturing Technology.

Nachtmann e Needy (2001, 2003)

Alocação de custos – Activity Based Costing The Engineering Economist

Sahin & Dogan (2003) Relacionamento entre fornecedores – clientes.

Logistics Information Management

Jiang & Hsu (2003) Avaliação de manufatura e ciclo do de vida dos produtos.

Journal of Intelligent Manufacturing Lin, Hwang e Becker

(2003)

Detecção de fraudes contábeis Managerial Auditing Journal

Serguieva e Hunter (2004) Análise dos julgamentos de materialidade Fuzzy Sets and Systems.

Beynon, Peel e Tang (2004)

Análise e determinação dos preços dos serviços de auditoria.

The International Journal of Management Science

Lee, Tzeng e Wang (2005) Modelo de Opções de Precificação (OPM) Review of Quantitative Finance and Accounting

Pathak, Vidyarthi e Summers (2005)

Detecção dos sinais de alerta nas fraudes de seguro

Managerial Auditing Journal.

Murcia, Borba e Souto-Maior (2005)

Target Costing e tomada de decisão The International Journal of Digital Accounting Research

(6)

Fonte: Os autores

Quadro 2. Pesquisas em Periódicos Internacionais.

Autores Área do Estudo/ Aplicação Revista / Congresso

Dill e Borba (2005) Análise da rentabilidade das empresas

Congresso USP de Contabilidade

Antunes (2004) Avaliação do risco de controle no processo de auditoria

Tese de Doutorado - USP

Silva e Oliveira (2005) Gestão Estratégica e Visão Resource-Based

Enampad

Wakamatsu e Cheng (2005) Análise de opinião na tomada de decisão em grupo

Enampad

Fonte: Os autores

Quadro 3. Pesquisas em Periódicos/Congressos Nacionais.

3. 1 Operacionalização da Lógica Fuzzy

O referencial teórico que se segue encontra-se embasado em Shaw e Simões (2001), Von Altrock (1998), Bojadziev e Bojadziev (1997) e Matlab® Fuzzy Logic Toolbox User’s Guide (2002). Os controladores fuzzy consistem de um estágio de entrada (crisp – Entradas

discretas atreladas a algum tipo de escala numérica), um estágio de processamento e um estágio de saída. O estágio de entrada mapeia dados de entrada de maneira apropriada às funções consecutivas e valores verdadeiros. O estágio de processamento é aquele em que se procura alcançar a solução para os problemas, podendo ser dividido em três passos básicos: fuzzificação, regras de avaliação e defuzzificação. Aqui é invocada cada regra adequada que gera um resultado para cada uma delas e, então, combinam-se os resultados dessas regras. Por último, tem-se um estágio de saída cujo resultado, já defuzzificado da operação, é colocado para dentro do sistema, executando um controle (saída crisp).

3.1.1 Fuzzificação e Funções de Pertinência

Fuzzificação é o processo de colocar nomes no universo de discurso de cada entrada crisp. O universo de discurso pode ser descrito como a faixa de valores associados a uma variável fuzzy, onde são definidos vários conjuntos fuzzy dentro de um universo de discurso, cada qual com o seu próprio domínio que sobrepõe com os domínios dos seus conjuntos fuzzy vizinhos. Ou seja, o universo de discurso se refere ao domínio que se dá a um determinado conjunto.

Pode-se tomar como exemplo a metodologia utilizada para classificação do porte de uma empresa em relação ao número de funcionários, para mostrar como se estabelece o domínio de cada função de pertinência. Verifica-se, na Figura 01, que cada um dos conjuntos recebe um rótulo, ou seja, um nome: Pequena, Média e Grande.

(7)

Figura 1. Variáveis Lingüísticas

µA (x)

1

0

100 250 400

Fonte: Adaptado de Bojadziev e Bojadziev (1997)

Cada conjunto também recebe uma faixa de valores correspondendo ao nome que lhe foi dado. Este valor é chamado de grau de pertinência. Por exemplo, a condição “Média” obtém um domínio de 100 a 400 funcionários. No eixo vertical (Y), podem-se verificar os valores referidos para os graus de pertinência das entradas crisp em cada conjunto fuzzy.

As funções de pertinência, também conhecidas como conjuntos fuzzy são, na verdade, funções matemáticas que fornecem um significado numérico para um conjunto fuzzy. A etapa de fuzzificação mapeia a entrada (um valor definido, ou crisp) entre valores de 0 a 1, através das funções de pertinência, que é o grau de pertinência, mencionado anteriormente. As funções mais utilizadas são demonstradas abaixo

Triangular           − − − − = ) ( ) ( , ) ( ) ( min , 0 max ) , , , ( b c x c a b a x c b a x Triângulo Trapezoidal           − − − − = ) ( ) ( , 1 , ) ( ) ( min , 0 max ) , , , , ( c d x d a b a x d c b a x Trap Gaussiana ( , , ) exp ( ) 2      − − = s c x c s x Gaussiana Sigmoidal

_[

_]

) ( exp 1 1 ) , , ( c x a c a x Sig − − + =

Fonte: Adaptado de Bojadziev e Bojadziev (1997)

Quadro 4. Funções de Pertinência Fuzzy

O segundo passo do processo de controle fuzzy são as regras de avaliação. As regras fuzzy são declarações SE – ENTÃO (IF-THEN) que descrevem a ação a ser feita em resposta a várias entradas fuzzy. Pode-se usar como exemplo um sistema de classificação do perfil do investidor quanto à política de investimentos financeiros, onde uma das regras poderia ser a seguinte:

SE idade é Jovem E Renda é Alta, ENTÃO perfil de investimento é Arrojado.

Em síntese, o formato das regras obedece ao seguinte padrão:

SE (antecedente 1) E (antecedente 2)... ENTÃO (conseqüente 1)

Um sistema fuzzy baseado em regras pode aprender relações entre dados por intermédio da modificação das regras durante a fase de aprendizado. Esse procedimento, geralmente realizado por meio de redes neurais, leva a uma relação fuzzy alterada dinamicamente, ou seja, à base de conhecimento se amolda dinamicamente aos dados que foram utilizados para a aprendizagem.

(8)

3.1.2 Defuzzificação

O sistema fuzzy, ao receber uma entrada, transforma-a em uma entrada fuzzy que, por sua vez, é submetida ao sistema de inferência (regras fuzzy) que devolve uma saída fuzzy para este sistema. Porém, em muitos casos, é desejável um valor numérico na saída. A defuzzificação (apesar do nome) não é exatamente o processo inverso da fuzzificação. Diversos métodos têm sido propostos na literatura, entre os quais se pode destacar o Centro-da-Área, a Média-dos-Máximos e a Média-dos-Centros. A figura 2 evidencia resumidamente os gráficos e fórmulas de cada um dos métodos citados.

Figura 2. Métodos de Defuzzificação

Centro-da-Área Média-dos-Máximos Média-dos-Centros

x 0 1 Resultado da defuzzificação x 0 1 Resultado da defuzzificação x 0 1 Resultado da defuzzificação dy y dy y y y B B ). ( . ). ( ' ' 0

∫

= ∧ µ µ j B j j j B j y y y y y j _ _ ' _ _ ' 0 , ) ( ). (

∑

= µ µ * * ' _ * ' 0 ₍ ₎ , ). ( j j B j j j B j _y y y y y j

∑

= µ µ onde y T y y Y j j k B B' ( )= (µ ,µ ( )),∀ ∈

µ , é contribuição da conclusão Bj da regra k na conclusão final B’.

Fonte: Adaptado de Shaw e Simões (2001)

4. Metodologia

Inicialmente, para construção do modelo, procurou-se identificar os produtos/serviços oferecidos pela cooperativa aos seus associados que estão relacionados com a sua satisfação. Partindo-se do pressuposto que cada produto e serviço é composto por diferentes fatores, entrevistou-se o diretor de marketing da cooperativa. O resultado da entrevista, conforme o Quadro 5 demonstrou que a cooperativa oferece seis produtos e serviços e, cada um deles, é composto por diferentes fatores.

Produto Fatores Defensivos Preço, Qualidade, Diversificação, Entrega, Embalagens e Técnica.

Fertilizantes Preço, Qualidade, Diversificação, Entrega e Disponibilidade.

Serviço Fatores

Comercialização de grãos Preço, Formas de pagamento, Credibilidade, Garantia de preço e Atendimento.

Entrega de grãos Entrega, Agilidade, Fila, Descarga, Impurezas, Umidade, Qualidade e Diversificação.

(9)

Atualizações. Fonte: Autores da pesquisa.

Quadro 5 – Produtos e Fatores

Foi feita a suposição de que os fatores identificados possuem pesos diferentes e que alguns, possivelmente, possuem pequena ou nenhuma influência na satisfação do cliente em relação a determinado produto/serviço. Com base nessa suposição, foi construído um instrumento de pesquisa para identificar-se a importância de cada um dos fatores. O instrumento de pesquisa constou com 36 questões relativas aos fatores relativos aos produtos e serviços, conforme a escala de Likert variando de muito insatisfeito a muito satisfeito.

A cooperativa possui 836 associados, utilizando-se fórmula estatística para o cálculo da amostra com grau de confiança igual a 95%, foi constatada a necessidade se entrevistar 208 associados, sendo esta amostra estatisticamente significativa e generalizável. Para identificação da influência de cada fator na satisfação do cliente, primeiramente converteu-se as variáveis qualitativas da escala Likert de: (-2) muito insatisfeito, (-1) insatisfeito, (0) neutro, (+1) satisfeito e (+2) muito satisfeito. Utilizando o software SPSS®, realizou-se regressão múltipla de cada um dos produtos e serviços, considerados como variáveis dependentes e seus respectivos fatores, considerados como variáveis independentes.

Para cada um dos fatores, realizaram-se duas regressões múltiplas, sendo a primeira para identificação dos fatores que, possivelmente, não contribuem para a satisfação do cliente quanto ao respectivo produto/serviço. Como critério de identificação para exclusão dos fatores utilizou o teste Estatística T, que consiste na divisão do coeficiente de regressão pelo erro padrão. Se t for maior que 1,96 (95% de confiança), então há uma relação significativa entre as variáveis. Após, realizou-se nova regressão para determinar-se a equação de regressão para o produto/serviço.

Tabela 1. Regressões

Defensivos

1ª Regressão 2ª Regressão

Fatores

Coeficientes Erro padrão Stat t Coeficientes Erro padrão Stat t

Preço (P) 0,0838 0,0309 2,7129 0,0846 0,0302 2,8017 Qualidade (Q) 0,0077 0,0612 0,1263 Diversificação (D) 0,2646 0,0574 4,6125 0,2669 0,0544 4,9077 Entrega (En) 0,2882 0,0566 5,0918 0,2889 0,0562 5,1424 Embalagens (Em) 0,1561 0,0538 2,9004 0,1566 0,0536 2,9225 Técnica (T) 0,1912 0,0615 3,1074 0,1928 0,0600 3,2143 R-Múltiplo 0,7980 0,7979 R-Quadrado 0,6368 0,6367 Interseção 0,1184 0,1204 Fertilizantes 1ª Regressão 2ª Regressão Fatores

Preço (P) 0,0176 0,0200 0,8788 Qualidade (Q) 0,2320 0,0497 4,6715 0,2333 0,0496 4,7036 Diversificação (Dv) 0,2352 0,0527 4,4649 0,2394 0,0524 4,5644 Entrega (E) 0,2235 0,0492 4,5436 0,2247 0,0491 4,5733 Disponibilidade (Ds) 0,2577 0,0451 5,7115 0,2571 0,0451 5,7014 R-Múltiplo 0,8707 0,8702 R-Quadrado 0,7581 0,7572 Interseção 0,0744 0,0625 Comercialização de grãos 1ª Regressão 2ª Regressão Fatores

Preço (P) 0,0434 0,0253 1,7113

(10)

Credibilidade (C) 0,2551 0,0709 3,5960 0,2612 0,0712 3,6689 Garantia de preço (G) 0,3289 0,0591 5,5644 0,3373 0,0592 5,6991 Atendimento (A) 0,3265 0,0637 5,1261 0,3339 0,0638 5,2299 R-Múltiplo 0,8275 0,8248 R-Quadrado 0,6848 0,6803 Interseção -0,0406 -0,0687 Entrega de grãos 1ª Regressão 2ª Regressão Fatores

Entrega (E) 0,1399 0,0420 3,3337 0,1436 0,0388 3,7003 Agilidade (A) 0,0520 0,0525 0,9901 Fila (F) 0,1743 0,0665 2,6213 0,2049 0,0596 3,4378 Descarga (De) 0,2138 0,0687 3,1137 0,2423 0,0619 3,9148 Impurezas (I) 0,0908 0,0762 1,1919 Umidade (U) -0,0437 0,0760 -0,5750 Qualidade (Q) 0,2790 0,0546 5,1090 0,2744 0,0510 5,3795 Diversificação (Di) 0,2266 0,0572 3,9633 0,2506 0,0543 4,6193 R-Múltiplo 0,8417 0,8397 R-Quadrado 0,7084 0,7051 Interseção 0,0383 0,0396

Recebimento e armazenagem de grãos

1ª Regressão 2ª Regressão

Fatores

Assistência (As) 0,0227 0,0175 1,2992 Diversificação (D) -0,0158 0,0344 -0,4584 Garantia (G) 0,1150 0,0363 3,1659 0,1088 0,0334 3,2557 Qualidade (Q) 0,3213 0,0462 6,9555 0,3300 0,0457 7,2212 Credibilidade (C) 0,2917 0,0433 6,7395 0,2895 0,0431 6,7187 Atualizações (At) 0,2584 0,0453 5,7041 0,2648 0,0435 6,0868 R-Múltiplo 0,9408 0,9402 R-Quadrado 0,8851 0,8841 Interseção 0,0307 0,0151

Fonte: Autores da pesquisa.

A Tabela 2 demonstra as equações de regressão obtidas após a eliminação das variáveis independentes que não contribuem para a satisfação do cliente.

Tabela 2. Equações

Produtos Equação de regressão R²

Defensivos 0,0846 (P) + 0,2669 (D) + 0,2889 (En) + 0,1566 (Em) + 0,1928 (T) + 0,1204 0,63 Fertilizantes 0,2333 (Q) + 0,2394 (Dv) + 0,2247 (E) + 0,2571 (Ds) + 0,0625 0,75

Serviços Equação de regressão R²

Comercialização 0,1223 (F) + 0,2612 (C) + 0,3373 (G) + 0,3339 (A) - 0,0406 0,68 Entrega 0,1436 (E) + 0,2049 (F) + 0,2423 (De) + 0,2744 (Q) + 0,2506 (Di) + 0,0396 0,70 Recebimento 0,1088 (G) + 0,3300 (Q) + 0,2895 (C) + 0,2648 (A) + 0,0151 0,88 Fonte: Tabela 01.

4.1 Construção do modelo fuzzy

Primeiramente, buscou-se construir a árvore de decisões do sistema nebuloso proposto. O primeiro passo foi determinar quais são as variáveis lingüísticas de entrada, as variáveis de saída, qual a escala de valores atribuída a cada variável, as regras de conduta e o tipo de método de implicação e inferência que utilizados.

A Figura 3 evidencia a árvore do sistema nebuloso, sendo constituído de cinco entradas (Defensivos, Fertilizantes, Comercialização, Entrega e Recebimento), três bases de regras (RB1, RB2 e RB3) e três saídas (Satisf_Prod, Satisf_Serv e Satisf_Geral).

(11)

Figura 3. Árvore de decisões.

4.1 Construção das variáveis de entrada

Cada variável de entrada recebeu, de acordo com a escala Likert, cinco termos qualitativos (Muito Insatisfeito, Satisfeito, Neutro, Satisfeito e Muito Satisfeito). Cada conjunto recebeu uma faixa de valores correspondendo ao nome que lhe foi dado. Este valor é chamado de grau de pertinência.

Figura 4. Função fuzzy de entrada: Defensivos

A Figura 3 exemplifica a variável de entrada Defensivos onde o rótulo Muito_Insatisf possui grau de pertinência igual um para qualquer valor menor que -2, deste a -1 pertinência decrescente até -1. Insatisfeito possui pertinência crescente de -2 a -1 e decrescente de -1 a 0. Neutro possui pertinência crescente de -1 a 0 e decrescente de 0 a 1. Satisfeito possui pertinência crescente de 0 a 1 e decrescente de 1 a 2. Muito_Satisf possui pertinência crescente de 1 a 2 e pertinência igual a um acima deste valor.

4.1 Base de regras

Para a implementação desse sistema nebuloso, inicialmente foram utilizadas todas as combinações possíveis de regras para cada uma das três bases de regras. Essa combinação implicou o desenvolvimento de 5 ou 125 (cento e vinte e cinco) regras para a RB1, 3 5 ou 4 625 (seiscentas e vinte e cinco) regras para a RB2 e 5 ou 125 (cento e vinte e cinco) regras 3 para a RB3. Todas as combinações de regras receberam peso igual a um, porém, muitas vezes, as regras não possuem o mesmo peso, e outras sequer influenciam no sistema. Assim, no

(12)

intuito de se eliminar regras e ajustar o peso correspondente de cada uma modelou-se uma rede neural, conforme demonstra a Figura 5, para tal tarefa. Utilizando as respostas dos 208 entrevistados, os dados do SPSS® foram convertidos para o formato Comma Separated Values File (formato utilizado para redes neurais no software em uso) criando-se três bases de dados (dados_serv.csv, dados_prod.csv e dados_satisf.csv), uma para cada base de regras, para o treinamento da rede neural.

Figura 5. Neuro Configuração

4.2 Variáveis de saída

O sistema nebuloso é composto pelas saídas Satisf_Prod, Satisf_Serv e Satisf_Geral. A primeira saída é a defuzzificação resultante das entradas Defensivos e Fertilizantes que são submetidas base de regras RB1. A segunda saída é a defuzzificação resultante das entradas Comercialização, Entrega e Recebimento submetidas base de regras RB2. Essas duas saídas são transformadas em entradas e submetidas a base de regras RB3 que gera a saída final do sistema – Satisf_Geral, que tem por objetivo mensurar a satisfação do cliente quanto aos produtos/serviços oferecidos.

Figura 6. Função fuzzy de saída: Satisfação Geral

A Figura 6 exemplifica a variável de saída Satisfação Geral onde o rótulo Muito_Insatisf possui grau de pertinência igual a um para qualquer valor menor que -2, deste até -1 o grau de pertinência decresce até chegar ao grau de pertinência zero. Insatisfeito possui pertinência crescente de -2 a -1 e decrescente de -1 a 0. Neutro possui pertinência crescente de

(13)

-1 a 0 e decrescente de 0 a 1. Satisfeito possui pertinência crescente de 0 a 1 e decrescente de 1 a 2. Muito_Satisf possui pertinência crescente de 1 a 2 e pertinência igual a um acima deste valor.

5. Teste Prático do Modelo Fuzzy

O modelo implementado foi testado junto a 50 clientes da cooperativa, quanto à sua capacidade de oferecer respostas consistentes com os objetivos para os quais foi concebido. Os entrevistados responderam questionário igual ao utilizado na simulação acrescido de mais uma pergunta sobre a sua satisfação geral com os produtos e serviços prestados pela cooperativa.

Figura 7. Fuzzy X Clientes

-2,0000 -1,5000 -1,0000 -0,5000 0,0000 0,5000 1,0000 1,5000 2,0000 1 5 9 ₁₃ ₁₇ ₂₁ ₂₅ ₂₉ ₃₃ ₃₇ ₄₁ ₄₅ ₄₉ Sistema Clientes

Conforme a figura 7, o erro médio do sistema foi 0,25, o erro máximo 0,49, o erro mínimo 0,00 e o desvio-padrão 0,14. Ou seja, em aproximadamente 68% das respostas o erro situou-se entre 0,11 e 0,39.

6. Conclusão

A proposta deste estudo foi a construção de um modelo para mensuração da satisfação de clientes utilizando uma abordagem baseada na lógica fuzzy. Para simulação e testes de funcionamento do modelo, utilizou-se o software FuzzyTech® e a sua validação operacional foi realizada tanto por meio de entrevista aplicada junto a especialista e clientes e obras literárias, quanto pela utilização de base de dados para processamento e análise comparativa dos resultados de análises realizadas.

Os tópicos conclusivos deste estudo, bem como sugestões, são as seguintes:

A lógica fuzzy provê uma interface de alto nível a amigável para se desenvolver

programas, auxiliando os projetistas a se concentrarem nos objetivos funcionais em vez dos detalhes matemáticos. As tecnologias fuzzy e neural estão dentro da área denominada computação suave, mostrando um enorme potencial para aplicações que combinem conhecimento qualitativo com robustez.

(14)

Por não haver na literatura especializada consenso quanto ao método de defuzzificação mais apropriado ao propósito deste modelo recomenda-se em estudos posteriores a utilização comparativa dos diferentes métodos de defuzzificação.

Quanto aos aspectos operacionais em si do sistema, observou-se que o software utilizado é de fácil manuseio, com bons recursos de auxílio ao usuário e com um conjunto de recursos gráficos e visuais que facilitam o entendimento do processo e dos resultados apurados.

As evidências coletadas em decorrência dos testes aplicados permitem aceitação do modelo proposto, bem como indicam que o modelo concebido com o uso da lógica nebulosa contempla os aspectos ambíguos e incertos inerentes a mensuração da satisfação do cliente. A lógica nebulosa permitiu tratar, de forma numérica, predicados tais como “muito insatisfeito”, “insatisfeito”, “neutro”, “satisfeito” e “muito satisfeito”. Como decorrência dos adequados tratamentos, o resultado da avaliação é expresso em um valor numérico que representa a avaliação quantitativa da satisfação do cliente.

O modelo conceitual se mostrou plenamente operacional e, portanto, aplicável na mensuração da satisfação do cliente. O potencial de aplicação de versões ampliadas e aperfeiçoadas do modelo em questão, assim como a lógica nebulosa e outros métodos quantitativos podem ser voltados especificamente para a mensuração da satisfação do cliente. Outros métodos quantitativos, como os algoritmos genéricos, poderiam ser aplicados em modelos de satisfação do cliente, tendo como base o presente modelo, ou desenvolvidos para aplicações similares. Como eventual desvantagem, poderia ser aqui reconhecida a necessidade de capacitar os especialistas nos conceitos de lógica nebulosa e de operar com esse aplicativo de informática ou com outros congêneres.

Finalizando, espera-se que o presente estudo possa contribuir como modelo para mensuração da satisfação do cliente na medida em que visou demonstrar a viabilidade da aplicação prática de um instrumento das Ciências Exatas para tentar mensurar elementos típicos das Ciências Sociais Aplicadas. Naturalmente, em razão do seu caráter inovador, a proposta do estudo em si e o modelo conseqüentemente gerado também demandam o envolvimento de pesquisadores de outras disciplinas para melhorar e ampliar as oportunidades de aplicação.

7. Referências

ANTHONY, R; GOVINDARAJAN, V. Sistemas de Controle Gerencial. Editora Atlas. São Paulo, 2002.

ANTUNES, Jerônimo. Modelo de Avaliação de risco de controle utilizando a lógica nebulosa. São Paulo: 2004. Tese (Doutorado em Contabilidade e Controladoria) – Departamento de Contabilidade e Atuária da Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo.

BAYOU, Mohamed E.; REINSTEIN, Alan. Formula for success: target costing for cost-plus pricing companies. Journal of Cost Management, p. 30-34, sep/oct 1997.

BERKMAN, H. W., LINDQUIST, J. D., SIRGY, M. J. Consumer Behavior. Lincolnwood (USA) : NTC Publishing Group, 1996.

BEYNON, Malcolm J; PEEL, Michael J.; TANG, Yu-Cheng. The application of fuzzy decision tree analysis in an exposition of the antecedents of audit fees. The International Journal of Management Science. n 32, p. 231-244. 2004.

BOJADZIEV, George e BOJADZIEV, Maria. Fuzzy Logig for Business, Finance ans Management. London: World Scientific, 1997.

BORTHICK, FAYE. Artificial Inteligence in auditing: assumption and preliminary development. Advances in Accounting. Vol.5, p.179-204, 1987.

(15)

DAY, R. Modeling Choices Among Alternative Responses to Dissatisfaction. Advances in Consumer Research, v. 11, p. 496-499, 1984.

DILL, Rodrigo Prante; BORBA, José Alonso. Análise da Rentabilidade de Empresas: uma abordagem baseada na lógica nebulosa.

DESHMUKH, Ashutosh. ROMINE, Jeff. Assessing the Risk of Management Fraud Using Red Flags: A Fuzzy Number Based Spreadsheet Approach. Journal of Accounting and Computers. (4), 3, 1998. p. 5-15.

ENGEL, J. F., BLACKWELL, R. D., MINIARD, P. Consumer Behavior. Hinsdale: The Dryden Press, 1995.

EVRARD, Y. La satisfaction des consommateurs: état des recherches. France: HEC, 1994. Working Paper.

FORNELL, C. A. National Customer Satisfaction Barometer: The Swedish Experience. Journal of Marketing, v. 56, p. 6-21, Jan. 1991.

FORNELL, C. et al. The American Customer Satisfaction Index: Nature, Purpose, and FREZATTI, F et al. Análise do relacionamento entre a contabilidade gerencial e o processo de planejamento das organizações brasileiras. Enampad. Brasília, 2005.

Findings. Journal of Marketing, v. 60, p. 7-18, Oct 1996.

FRIEDLOB, George Thomas. SCHLEIFER, Lydida L. F. Fuzzy Logic: Application for auditing risk and Uncertainty. Managerial Auditing Journal. 14, 3, 1999, pp.

FUZZYTECH®. http://www.fuzzytech.com/

GLAUTIER, M.; UNDERDOWN, B.; Accounting Theory and Practice. Vol. 5 Pitmam Publishing, 1994.

HARRINGTON, Susan; TWARK, Allan. The application of expert systems to security analysis. Review of Business. Vol.12, n.4 p.24-30, 1991.

JIANG, Bernard; HSU, Chi. Development of a fuzzy decision model for manufacturing. Journal of Intelligent Manufacturing. V. 14, p.169-181, 2003.

KANEKO, T. Building a financial diagonis system based on fuzzy logic production system. Computers Ind. Engenhering. Vol. 31, ¾. 1996.

LEE, Cheng, TZENG, Gwo, WANG, Shin. A fuzzy set approach for generalized CRR model: nan empirical analysis of S&S 500 Index Options. Review of Quantitative Finance and Accounting. Vol.25, n.3, p.255-275, 2005.

JOHNSON, M. Comparability in customer satisfaction surveys: product, services, and government agencies. Washington DC: Office of Management and Budget, Statistical Policy, April 1994. Seminar on New Directions in Statistical Methodology.

JOHNSON, M. The Four Faces of Aggregation in Customer Satisfaction Research. Advances in Consumer Research, v. 22, p 89-93, 1995.

JOHNSON, M., ANDERSON, E., FORNELL, C. Rational and Adaptative Performance Expectations in a Customer Satisfaction Framework. Journal of Consumer Research, v. 21, p. 695-707, mar 1995.

KOTLER, Philip. Administração de Marketing: análise, planejamento, implementação e controle. São Paulo : Editora Atlas, 1998.

LIN, Jerry W.; HWANG, Mark and BECKER, Jack D.. A fuzzy neural network for assessing the risk of fraudulent financial reporting. Managerial Auditing Journal, v.18, p.657-665, 2003.

MATLAB®. www.mathworks.com

(16)

MURCIA, Fernando Dal-Ri; BORBA, José Alonso; SOUTO-MAIOR, Cesar Duarte. Modelling the Subjectivity of the Target Costing Process with Fuzzy Logic Concepts. The International Journal of Digital Accounting Research. Decembro, 2005.

OLIVER, R. L. Satisfaction: a behavioral perspective on the consumer. New York: McGraw-Hill, 1996.

PATHAK, Jagdish; VIDYARTHI, Navneet; SUMMERS, Scott. A Fuzzy-based Algorithm for Auditors to Detect Element of Fraud in Settled Insurance. Managerial Audinting Journal, Vol. 20, v.6, 2005.

PEREIRA, C; GUERREIRO, R. Avaliação do processo de mudança da contabilidade

gerencial sob o enfoque da teoria institucional: o caso do Banco do Brasil. Enampad. Brasília, 2005.

RANGONE, Andréa. Linking organizational effectiveness, key success factors and performace measures: an analytical framework. Management Accounting Research, 1997, 8, 207-219.

ROSSI, C. A. V. e SLONGO, L. A. Pesquisa de Satisfação de Clientes: o Estado-da-Arte e Proposição de um Método Brasileiro. Anais do 21º ENANPAD, Rio de Janeiro, setembro de 1997.

SAHIN, Ugur; DOGAN, Ibrahim. Supplier selection using activity based costing and fuzzy present-worth techniques. Logistics Information Management. Vol. 16, p.420-426. 2003. SERGUIEVA, Antoaneta. HUNTER, John. Fuzzy interval methods in investment risk appraisal. Fuzzy Sets and Systems. Vol. 142. 443-466. 2004.

SHAW, Ian S. e SIMÕES, Marcelo Godoy. Controle e Modelagem Fuzzy. São Paulo: Edgard Blücher, 2001.

SHEHAB, E.; ABDALLA, H. Intelligent Knowledge based system for product cost modeling. Advanced Manufacturing Technology. Vol 19, p.49-65, 2002.

SIEGEL, Philip H. et al. Studies in Managerial and Financial Accounting: Applications of fuzzy sets and the theory of evidence to accounting, II. vol. 7. London: Jai Press, 1998. SILVA, Jorge; OLIVERIA, Carlos. Grupos estratégicos e visão resource-based: uma aplicação de sistemas neuro-fuzzy. Enampad. Brasília, 2005.

SOLOMON, M. R. Consumer Behavior. Needham Heights: Allyn & Bacon, 1994.

STEINBART, Paul. The construction of a ruled-based expert system as a method for studying materiality judgments. The Accounting Review. n.1, p.97-116, January 1987. VON ALTROCK, Constantin. Fuzzy logic and neroFuzzy applications in business and finance. New Jersey: Prentice Hall, 1997.

WAKMATSU, Andre; CHENG, Liang. Metodologia para analise de opinioes na tomada de decisao em grupo utilizando a teoria de sistemas fuzzy – aplicacao na alocacao dos elementos do canteiro de obras. . Enampad. Brasília, 2005

YAGER, R.S.; OVCHINNOIKOV, r Tong and NGUYEN, H. Fuzzy Sets and Applications. Slected paper by L. A. Zadeh, New York: John Wiley, 1987.

ZADEH, Lotfi. Fuzzy Sets. Information and Control. Vol.8, p.338-353, 1965

ZADEH, Lotfi. Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and Systems, 1:3-28, 1978.

ZEBDA, Awni. The problem of ambiguity and the use of fuzzy set theory in accounting: a perspective and opportunities for research. Applications of fuzzy sets and the theory of evidence to accounting, II. vol. 7, p.20-33, London: Jai Press, 1998.