[MÚSICA] Olá!
Dando sequência à segmentação baseada
em comportamento do consumidor, vamos falar agora sobre análise de agrupamentos.
Análise de agrupamentos é sinônimo de Cluster Analisis,
que é exatamente como se fala em inglês e aqui no
Brasil é muito também usado Análise de Cluster e até Análise de Conglomerados.
A palavra cluster é praticamente sinônimo,
a única diferença é que em vez de falar segmentação, a gente usa a palavra cluster
porque ela induz a pensar que é uma técnica quantitativa.
Nós vamos realmente fazer uma análise de segmentação baseada em números.
É uma técnica que permite então identificar grupos nos dados, também
permite que você faça conta, que você faça uns cálculos matemáticos para separar esse
grupo e não há teste de hipótese, portanto não é uma técnica estatística.
E é uma técnica muito usada para que você chegue a conclusão de quais pessoas
podem ser agrupadas de uma forma objetiva e usando cálculos.
Vamos começar com exemplo?
Imagine o seguinte: Nós temos 5 pessoas, que aqui a gente está designando como A,
B, C, D e E, que tem comportamentos de compra distintos.
Quando eles vão comprar comida, alguns gastam mais do
que eles gastam em roupas e outros, quando vão comprar roupas,
gastam mais do que comida, como uma média de gastos diários do grupo.
Como que a gente poderia separar essas 5 pessoas com base no
comportamento de compras?
Alguma ideia?
Eu tenho certeza que você deve estar pensando.
Como nós temos aqui duas variáveis a gente poderia fazer gráfico, gráfico chamado
Gráfico de Expressão e parecido com o gráfico que vocês viram em Correlação.
Esse gráfico daria isso aqui.
Uma variável é comida, a outra é gastos em roupas.
Colocando os pontos no gráfico, vocês estão vendo que o ponto
A e D ficaram mais próximos do grupo que está o C, B e E.
Será pessoal, que a gente pode dizer que temos dois grupos, nós não fizemos
nenhuma conta, a gente só fez a colocação dos pontos num gráfico.
É isso mesmo, é isso que nós vamos fazer,
nós vamos aprender a calcular distâncias e vamos ver se essas pessoas, 5,
podem ser divididas em dois grupos com alguma lógica ou não.
Mas antes de fazer as contas, vamos fazer alguns exemplos.
Imagine que eu tenho uma situação de cluster assim: Com duas variáveis,
4 grupos e esses grupos bem diferentes.
Ótimo.
A gente vai ficar feliz, vamos dizer que podemos fazer a segmentação,
temos 4 grupos e os grupos parecem que estão bem diferentes.
Mas olha só, o mundo real tem situações como essa.
Aqui você ta vendo que não é tão simples fazer agrupamentos.
Os grupos estão entrelaçados e para isso que a gente precisa de uma técnica,
uma técnica precisa, uma técnica que nos permita saber o que nós estamos fazendo.
Vamos dar mais exemplo.
Imagine carpetes.
A gente poderia falar aqui carpetes tem duas propriedades,
ou duas características, ou dois atributos.
1 se ele é ou não resistente à água, e 2,
se ele é ou não resistente ao uso frequente e contínuo, ou seja,
tem carpetes que são feitos para grandes públicos e outros que são feitos para,
por exemplo, usar dentro da sua casa, onde tem fluxo menor de pessoas.
Tem carpetes que são feitos para usar dentro de casa e outros são feitos para
usar indoor.
E aí você está vendo 4 grupos bem distintos conforme essas características.
Nós podemos dizer que são 4 segmentos, podemos inclusive identificar os pontos A,
B, C e D como sendo uma espécie de média, ou também chamado de centroide de cada
dos grupos, e aí a gente pode calcular a distância entre esses centroides.
Cada uma dessas bolinhas pequenas são respondentes ou são
públicos alvos que a gente gostaria de usar numa segmentação, e,
por último, se você quiser, a gente pode até dar nome para esses públicos alvos.
Pode ser que grupo A seja grupo, por exemplo, formado por escolas,
porque "indoor", dentro, não precisa ficar ao ar livre,
mas tem grande fluxo de pessoas e assim por diante.
Nós podemos dizer, por exemplo, só para dar outro exemplo, que academias e
fitness, eles tem que ter resistência a prova d'água simultaneamente.
Com isso nós terminamos a nossa aula.
[SEM_ÁUDIO] [SEM_ÁUDIO]
Carlos R. F. BaraProfessor
Danny ClaroProfessor
Silvio LabanProfessor
