View
5
Download
0
Category
Preview:
Citation preview
UNIVERSIDADE DE ÉVORA
ESCOLA DE CIÊNCIAS E TECNOLOGIA
DEPARTAMENTO DE MATEMÁTICA
CARACTERIZAÇÃO DOS HÁBITOS
DE E-COMMERCE
João Filipe de Souta Neiva Machado
Orientador: Prof.ª Doutora Anabela Cristina Cavaco Ferreira Afonso
Co-Orientador: Prof. Doutor Manuel Joaquim Piteira Minhoto
Mestrado em Modelação Estatística e Análise de Dados
Área de especialização: Modelação Estatística e Análise de Dados
Dissertação
Évora, 2015
UNIVERSIDADE DE ÉVORA
ESCOLA DE CIÊNCIAS E TECNOLOGIA
DEPARTAMENTO DE MATEMÁTICA
CARACTERIZAÇÃO DOS HÁBITOS
DE E-COMMERCE
João Filipe de Souta Neiva Machado
Orientador: Prof.ª Doutora Anabela Cristina Cavaco Ferreira Afonso
Co-Orientador: Prof. Doutor Manuel Joaquim Piteira Minhoto
Mestrado em Modelação Estatística e Análise de Dados
Área de especialização: Modelação Estatística e Análise de Dados
Dissertação
Évora, 2015
Resumo
O fenómeno do e-commerce tem vindo a crescer em Portugal e já faz parte do dia-a-dia dos
portugueses,complementarmentee/ouemalternativaaocomérciotradicional.Porisso,cadavezmaisas
empresasprocuramcompreender as tendências quemoldamo comportamentodo consumidoronline e
podeminfluenciarassuaspráticasdeconsumo.
Nesse sentido, este estudo tem como objetivo geral caracterizar os hábitos de e-commerce dos
portuguesescom18oumaisanos.Paraoefeitofoielaboradoumquestionárioerecolhidaumaamostra
pelo processo de amostragem em bola de neve. No processo de análise de dados, foram utilizadas as
técnicas Análise de CorrespondênciasMúltiplas, função de Fisher resultante da Análise Discriminante e
Regressão Logística, também com o objectivo de compreender a coerência entre os resultados e a
complementariedadeentreelas.
Participaram no estudo 400 indivíduos, sendo a maioria mulheres (58%), residentes em diversos
distritosdePortugal,comidadescompreendidasentreos18eos71anos,tendoamaiorparteumgraude
instruçãouniversitária.
Osresultadospermitiramconcluirquaisosprodutoseserviçoscommaiorcompra/adesãoonlinepara
cadaumdossexos,assimcomoinferirsobreasprincipaisvantagensedesvantagensassociadasàcompra
online,paraambosossexoseparacompradoresenãocompradores.Noquediz respeitoàperceçãode
segurançanascomprasonline,esteestudorevelouquemetadedosparticipantesconsideramestemodo
de compra seguro, sendoos fatoresmais importantesparaapercepçãode segurançaa credibilidadeda
empresa/marcadoprodutoeavariedadedemeiosdepagamentodisponíveis.
Palavras-Chave: E-Commerce, Consumidor Online, Análise de Correspondências Múltiplas, Análise
Discriminante,RegressãoLogística,AnálisedeClusters.
Abstract CHARACTERIZATIONOFE-COMMERCEBEHAVIOR
Thephenomenonofe-commercehasbeengrowinginPortugalandisalreadypartofthedaytodaylife
of the Portuguese, complementary and/or alternatively to traditional trade. Therefore, more and more
companies seek tounderstand the trendsshaping theonlineconsumerbehavior thatcan influence their
consumptionpractices.
In this sense, this study has the general objective to characterize the e-commerce habits of the
Portuguese with 18 or more years. For this purpose, a questionnaire was prepared and a sample was
collected with a snowball sampling process. In the process of data analysis, we used the following
techniques:MultipleCorrespondenceAnalysis,FisherfunctionresultingfromtheDiscriminantAnalysisand
LogisticRegression.Thisstudyalsohastheaimofunderstandingtheconsistencybetweentheresultsand
thecomplementarityamongthesetechniques.
Inthisstudy,participated400individuals,themajoritybeingwomen(58%),residentinseveraldistricts
ofPortugal,agedbetween18and71years,withmosthavingadegreeofuniversityeducation.
Theresultsallowedtoknowthegoodsandserviceswithhigherpurchase/onlineadherencebygender,
aswellastoinferenceaboutthemainadvantagesanddisadvantagesassociatedwithonlineshopping,for
bothsexesandforbothbuyersandnobuyers.Withregardtothesecurityperceptioninonlineshopping,
thisstudyrevealedthathalfoftheparticipantsconsideronlinebuyingsafe,andthatthemost important
factorsforthesecurityperceptionarethecredibilityofthecompany/brandoftheproductandthevariety
ofmediaavailablepayment.
Keywords: E-Commerce, Online consumer behavior, Multiple Correspondence Analysis, Discriminant
Analysis,LogisticRegression,Clustersanalysis.
Agradecimentos
Écommuitasatisfaçãoqueexpressoaquiumprofundoagradecimentoatodosaquelesquetornaram
possívelarealizaçãodestetrabalho.
Gostaria de agradecer à ProfessoraDoutoraAnabelaAfonso e ao ProfessorDoutorManuelMinhoto,
orientadoraeco-orientadordesta tese,peloapoio, incentivoeacimade tudopor todaadisponibilidade
demonstradas.
Atodososparticipantesnoestudopelasuacolaboraçãoedivulgaçãodoquestionário.
À minha mãe, Margarida, por todos os sacrifícios, dedicação e força que deu à minha vida e em
particularàminhaeducação.
Atodososfamiliares,amigosecolegasaquemnãopudededicar-menodecorrerdestetrabalho.
ÀAndresa,portodooamor,carinho,compreensãoepaciência.Eporseropilardaminhavida.
Porúltimo,aoTomásqueaindanãonasceu,masquejáocupaumlugartãograndenaminhavida.
Conteúdo1) INTRODUÇÃO...............................................................................................................................11.1) EVOLUÇÃODAINTERNET......................................................................................................................11.2) EVOLUÇÃODOE-COMMERCE................................................................................................................51.3) MODELOSDECOMPORTAMENTODOCONSUMIDORONLINE....................................................................71.4) PERFILSOCIODEMOGRÁFICODOCONSUMIDORONLINE..........................................................................81.6) PERCEÇÕESDERISCOASSOCIADASAOE-COMMERCE............................................................................111.7) MEIOSDEPUBLICIDADEONLINE.........................................................................................................121.8) ESTUDOSREALIZADOSSOBREE-COMMERCEEMPORTUGAL..................................................................131.9) PERTINÊNCIAEOBJETIVOSDOESTUDO...............................................................................................14
2) MÉTODOSESTATÍSTICOS...........................................................................................................162.1) COEFICIENTESDECORRELAÇÃO..........................................................................................................162.2) ANÁLISEDECORRESPONDÊNCIASMÚLTIPLAS......................................................................................182.3) ANÁLISEDISCRIMINANTE...................................................................................................................232.4) REGRESSÃOLOGÍSTICA.......................................................................................................................24
3) METODOLOGIA...........................................................................................................................263.1) HIPÓTESESTEÓRICASEMESTUDO......................................................................................................263.2) CARACTERIZAÇÃODOUNIVERSODOESTUDOEDEFINIÇÃODAAMOSTRA................................................273.3) CONSTRUÇÃODOQUESTIONÁRIOERECOLHADAINFORMAÇÃO.............................................................28
4) APRESENTAÇÃOEDISCUSSÃODOSRESULTADOS....................................................................304.1) ANÁLISESOCIODEMOGRÁFICADAAMOSTRA.........................................................................................304.2) EXPERIÊNCIAONLINEDOSINQUIRIDOS...............................................................................................334.3) COMPRADORESONLINE......................................................................................................................354.4) NÃOCOMPRADORESONLINE...............................................................................................................624.5) SEGURANÇANASCOMPRASONLINE.....................................................................................................634.6) PREFERÊNCIAS..................................................................................................................................664.6.1) VANTAGENSDACOMPRAONLINE....................................................................................................664.6.2) DESVANTAGENSDACOMPRAONLINE..............................................................................................834.6.3) MOTIVAÇÕESEPREFERÊNCIASNACOMPRAONLINE.......................................................................1014.6.4) MEIOSDECOMUNICAÇÃOONLINE.................................................................................................103
5) CONSIDERAÇÕESFINAIS..........................................................................................................122
5.1) LIMITAÇÕESDOESTUDO..........................................................................................................122
5.2) CONCLUSÕESSOBREASHIPÓTESESCOLOCADAS...................................................................122
BIBLIOGRAFIA......................................................................................................................................125
ANEXOS................................................................................................................................................128
ListadeTabelasTabela1:PrincipaislançamentosdahistóriadainternetnosprimeirosanosdoséculoXXI............................4Tabela2:Tabeladecontingência....................................................................................................................16Tabela3:PoderdiscriminativodomodeloderegressãologísticacombasenaáreaabaixodacurvaROC...25Tabela4:Hábitodecompraronlineporsexo.................................................................................................34Tabela5:Medidasdediscriminaçãoassociadasaosprodutoscompradosonline.........................................37Tabela6:PosicionamentodasvariáveismaisrelevantesparaaACMdosprodutoscompradosonline........39Tabela7:Caracterizaçãodos2gruposidentificados,relativamenteaosàsvantagensdacompraonlineidentificadaspelosinquiridos..........................................................................................................................43Tabela8:ModelodeAnáliseDiscriminanteinicialmenteobtidoparaosprodutoscompradosOnline,usandocomovariáveldegrupoo“Sexo”....................................................................................................................44Tabela9:MatrizdeestruturadaAnáliseDiscriminanteinicialmenteobtidoparaosprodutoscompradosOnline,usandocomovariáveldegrupoo“Sexo”...........................................................................................45Tabela10:ModelofinaldeAnáliseDiscriminanteobtidoparaosprodutoscompradosOnline,usandocomoVariáveldegrupo“Sexo”.................................................................................................................................45Tabela11:CoeficientesdosprodutoscompradosonlinenafunçãodeFisherporsexo................................46Tabela12:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaosprodutoscompradosonline........................................................................................................................47Tabela13:ModeloinicialdeRegressãoLogísticaobtidoparaosexoemfunçãodosprodutoscompradosonline...............................................................................................................................................................47Tabela14:ModelodeRegressãoLogísticaobtidoparaosexoemfunçãodosprodutoscompradosonline.48Tabela15:Valoresprevistospelomodeloderegressãologísticaparaosexoemfunçãodosprodutoscompradosonline,usandoopontodecorte0,50..........................................................................................48Tabela16:TabelaresumodosmétodosutilizadosnaanálisedosprodutoscompradosOnline....................50Tabela17:MedidasdediscriminaçãoassociadasàACMdosserviçosaderidosonline..................................52Tabela18:PosicionamentodasvariáveismaisrelevantesparaaACMdosserviçosaderidosonline............53Tabela19:Caracterizaçãodosgruposidentificados,relativamenteaosaosserviçosaderidosonline..........55Tabela20:ModelofinaldeAnáliseDiscriminanteobtidoparaosserviçosaderidosonline,usandocomovariáveldegrupo“Sexo”.................................................................................................................................56Tabela21:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteosserviçosaderidosOnline,usandocomovariáveldegrupo“Sexo............................................................................................................56Tabela22:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaosserviçosaderidosonline.............................................................................................................................57Tabela23:ModelodeRegressãoLogísticafinalobtidoparaosexoemfunçãodosserviçosaderidosonline.........................................................................................................................................................................57Tabela24:Valoresprevistospelomodeloderegressãologísticaparaosexoemfunçãodosserviçosaderidosonline,usandoopontodecorte0,50..............................................................................................58Tabela25:TabelaresumodosmétodosutilizadosnaanálisedosserviçosaderidosOnline..........................59Tabela26:HábitosdecompraOnline-paraopróprioouparaoutros..........................................................59Tabela27:Frequênciadascomprasonlineporsexo......................................................................................60Tabela28:Programaçãopréviadascomprasporsexo..................................................................................61Tabela29:MedidasdediscriminaçãoassociadasàACMdasvantagensdacompraOnline..........................70Tabela30:PosicionamentodasvariáveismaisrelevantesparaaACMdasvantagensdecompraonline.....71
Tabela31:Caracterizaçãodos5gruposidentificados,relativamenteaosàsvantagensdacompraonlineidentificadaspelosinquiridos..........................................................................................................................74Tabela32:ModelodeAnáliseDiscriminanteparaasvantagensnacompraOnline,usandocomovariáveldeagrupamento“Costumarealizarcomprasonline”..........................................................................................75Tabela33:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasvantagensdacompraOnline,usandocomovariáveldeagrupamento“Costumarealizarcomprasonline”.....................................75Tabela34:Percentagemdecompradoresenãocompradoresclassificadoscorretamente,atravésdomodeloobtidoparaasvantagensdacompraonline......................................................................................76Tabela35:ModelodeAnáliseDiscriminanteparaasvantagensnacompraOnline,usandocomovariáveldeagrupamento“Sexo”........................................................................................................................................77Tabela36:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasvantagensdacompraOnline,usandocomovariáveldeagrupamento“Sexo”..................................................................................77Tabela37:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoàsvantagensdascomprasonline........................................................................................................................78Tabela38:ModelodeRegressãoLogísticaparaoscompradoresonlineemfunçãodasvantagensnacompraonline..............................................................................................................................................................78Tabela39:Valoresprevistospelomodeloderegressãologísticaparaoscompradoresemfunçãodasvantagensassociadasàcompraonline,usandoopontodecorte0,70..........................................................79Tabela40:ModelodeRegressãoLogísticaparaosexoemfunçãodasvantagens........................................80Tabela41:Valoresprevistospelomodeloderegressãologísticaparaosexoemfunçãodasvantagensassociadasàscomprasonline,usandoopontodecorte0,50........................................................................80Tabela42:TabelaresumodosmétodosutilizadosnaanálisedasvantagensemcomprarOnline.................82Tabela43:MedidasdediscriminaçãoassociadasàACMdasdesvantagensdacompraonline.....................88Tabela44:PosicionamentodasvariáveismaisrelevantesparaaACMdasdesvantagensdecompraonline89Tabela45:Caracterizaçãodos5gruposidentificados,relativamenteaosàsdesvantagensdacompraonlineidentificadaspelosinquiridos..........................................................................................................................92Tabela46:ModelodeAnáliseDiscriminanteparaasdesvantagensnacompraOnline,usandocomoVariáveldegrupo“Costumarealizarcomprasonline”..................................................................................................93Tabela47:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasdesvantagensdacompraOnline,usandocomovariáveldegrupo“Costumarealizarcomprasonline”.....................................93Tabela48:Probabilidadedeumnovoelementopertenceraogrupodoscompradores,atravésdomodeloobtidoparaasdesvantagensdacompraonline.............................................................................................94Tabela49:ModelodeAnáliseDiscriminanteparaasdesvantagensnacompraOnline,usandocomovariáveldegrupo“Sexo”...............................................................................................................................................94Tabela50:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasdesvantagensdacompraOnline,usandocomovariáveldegrupo“Sexo”..................................................................................95Tabela51:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaasdesvantagensassociadasàscomprasonline..............................................................................................96Tabela52:ModelodeRegressãoLogísticaparaoscompradoresonlineemfunçãodasdesvantagensnacompraonline..................................................................................................................................................96Tabela53:ValoresprevistoscomoModelodeRegressãoLogísticaobtidoparaoscompradoresemfunçãodasdesvantagens,usandoopontodecorte0,70...........................................................................................97Tabela54:ModelodeRegressãoLogísticaobtidoparaasdesvantagensnacompraOnline,usandocomovariávelsuplementar“Costumarealizarcomprasonline”..............................................................................98
Tabela55:ValoresprevistoscomoModelodeRegressãoLogísticaobtidoparaossexosemfunçãodasdesvantagens,usandoopontodecorte0,40.................................................................................................99Tabela56:TabelaresumodosmétodosutilizadosnaanálisedasdesvantagensemcomprarOnline.........100Tabela57:Quaisosmotivosqueopoderiamlevaracomprar/comprarmaisonline?.................................101Tabela58:MedidasdediscriminaçãoassociadasàACMdosmeiosdepublicidademaiseficazes..............108Tabela59:PosicionamentodasvariáveismaisrelevantesparaaACMdosmeiosdepublicidademaiseficazes..........................................................................................................................................................109Tabela60:Caracterizaçãodos3gruposidentificados,relativamenteaosmeiosdepublicidademaiseficazes,identificadospelosinquiridos.......................................................................................................................112Tabela61:ModelofinaldeAnáliseDiscriminanteobtidoparaosmeiosdepublicidademaiseficazes,variáveldegrupo“Costumarealizarcomprasonline”..................................................................................113Tabela62:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteobtidoparaosmeiosdepublicidademaiseficazes,variáveldegrupo“Costumarealizarcomprasonline”.......................................113Tabela63:Probabilidadedeumnovoelementopertenceraogrupodoscompradores,atravésdomodeloobtidoparaosmeiosdepublicidademaiseficazes......................................................................................114Tabela64:ModelofinaldeAnáliseDiscriminanteobtidoparaosmeiosdepublicidademaiseficazes,variáveldegrupoosexo...............................................................................................................................114Tabela65:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaosmeiosdepublicidademaiseficazes,usandocomoVariáveldegrupo“Sexo”..................................................................................115Tabela66:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaosmeiosdepublicidademaiseficazes..........................................................................................................116Tabela67:ModelodeRegressãoLogísticaobtidoparaosmeiosdepublicidademaiseficazes,usandocomovariávelsuplementar“Costumarealizarcomprasonline”............................................................................116Tabela68:ValoresprevistoscomoModelodeRegressãoLogísticaparaoscompradoresonlineemfunçãodosmeiosdepublicidadeonline,usandoopontodecorte0,70..................................................................117Tabela69:ModelodeRegressãoLogísticaobtidoparaosmeiospublicitáriosmaiseficazes,usandocomovariávelsuplementar“Costumarealizarcomprasonline”............................................................................118Tabela70:ValoresprevistoscomoModelodeRegressãoLogísticaparaossexosemfunçãodosmeiosdepublicidadeonline,usandoopontodecorte0,40........................................................................................119Tabela71:TabelaresumodosmétodosutilizadosnaanálisedosmeiosdepublicidademaiseficazesemcomprarOnline..............................................................................................................................................121Tabela72:Resumodosresultadosparaashipótesesdoestudo..................................................................123
ListadeFigurasFigura1:Mapacomevoluçãodasprimeirasredes(nets)............................................................................2Figura2:Fluxodoquestionárioaplicado........................................................................................................29Figura3:PercentagemdeindividuosdaamostradivididospelosdistritosdePortugal.................................30
ListadeGráficosGráfico1:Utilizadoresdeinternetporcontinente...........................................................................................3Gráfico2:PenetraçãodeInternetnaPopulação(Junho/2014)........................................................................4Gráfico3:Sexodosinquiridos.........................................................................................................................31Gráfico4:Caixadebigodesidadeporsexo.....................................................................................................31Gráfico5:Distribuiçãodosindivíduosnasclassesdeidade,porsexo............................................................32Gráfico6:Distribuiçãodosindivíduosporgraudeinstrução.........................................................................33Gráfico7:Gráficodedispersãodapercentagemdeindividuosquecompraonlineemfunçãodograudeinstrução..........................................................................................................................................................34Gráfico8:Percentagemdecompradoresonlineemcadaclasseetária..........................................................35Gráfico9:Produtoscompradospormulheresehomens...............................................................................36Gráfico10:Representaçãodavariânciadasdimensõesassociadasaosprodutoscompradosonline...........37Gráfico11:CoordenadasdoscentroidesdaACMparaosprodutoscompradosOnline:Dimensão1vsDimensão2.....................................................................................................................................................40Gráfico12:CoordenadasdoscentroidesdaACMparaosprodutoscompradosOnline:Dimensão2vsDimensão3.....................................................................................................................................................40Gráfico13:CoordenadasdoscentroidesdaACMparaosprodutoscompradosOnline:Dimensão3vsDimensão4.....................................................................................................................................................41Gráfico14:Coeficientesdefusãodaanálisedeclustersassociadaaosprodutoscompradosonline–critériovizinhomaisafastado......................................................................................................................................42Gráfico15:CurvaROCassociadaaomodeloderegressãologísticaparaosexoemfunçãodosprodutoscompradosonline............................................................................................................................................49Gráfico16:Serviçosaderidospelasmulheresepeloshomens......................................................................51Gráfico17:Representaçãodavariânciadasdimensõesassociadasaosserviçosaderidosonline.................52Gráfico18:Representaçãodoespaçodosserviçosaderidosonline-Dimensão1vsDimensão2.................54Gráfico19:CoeficientesdefusãodaanálisedeClustersassociadaaosserviçosaderidosonline..................55Gráfico20:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaosserviçosaderidosOnline,usandocomovariávelsuplementar“Sexo”....................................................................................................58Gráfico21:Períodododiapredilectoparacompraronline............................................................................60Gráfico22:Meiosdepublicidadeonlinequejámotivaramcompra.............................................................61Gráfico23:Motivospelosquaisosinquiridosnãocompramonline..............................................................62Gráfico24:Distribuiçãodograudesegurançanascomprasonlineporsexo.................................................63Gráfico25:Percentisdograudesegurançanascomprasonline,poridadecategorizada.............................64Gráfico26:Caixadebigodes“GraudeInstrução”vs.“Quãoseguroconsiderasercompraronline?”...........64Gráfico27:CaixadebigodesdoGraudesegurançanascomprasonlineemfunçãodaauto-percepçãodeliteracianousodainternet.............................................................................................................................65Gráfico28:Fatoresdemaiorsegurançanascomprasonline.........................................................................65Gráfico29:Vantagensassociadasàscomprasonlineidentificadasporhomensemulheres.........................66Gráfico30:Vantagensassociadasàscomprasonlineidentificadasporcompradoresenãocompradores...67Gráfico31:Dendogramadasvantagensusandoométododoscentroides....................................................68Gráfico32:Dendogramadasvantagensusandoométododovizinhomaisafastado...................................68Gráfico33:DendogramadasvantagensusandoométododeWard............................................................68Gráfico34:Representaçãodavariânciadasdimensõesassociadasàsvantagensdacompraonline.............69
Gráfico35:CoordenadasdoscentroidesdaACMparaasvantagensdacompraonline:Dimensão1vsDimensão2.....................................................................................................................................................72Gráfico36:CoordenadasdoscentroidesdaACMparaasvantagensdacompraonline:Dimensão2vsDimensão3.....................................................................................................................................................72Gráfico37:CoeficientesdefusãodaanálisedeClustersassociadaàsvantagensdacompraonline.............73Gráfico38:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaasvantagensnacompraOnline,usandocomovariávelsuplementar“Costumarealizarcomprasonline”...........................................79Gráfico39:CurvaROCassociadoaoModelodeRegressãoLogísticaparaosexoemfunçãodasvantagensnacompraonline..................................................................................................................................................81Gráfico40:DesvantagensassociadasàscomprasOnlineidentificadasporhomensemulheres...................83Gráfico41:DesvantagensassociadasàscomprasOnlineidentificadasporCompradoreseNãoCompradores.........................................................................................................................................................................83Gráfico42:Dendogramadasdesvantagensusandoométododoscentroides..............................................85Gráfico43:Dendogramadasdesvantagensusandoométododovizinhomaisafastado..............................85Gráfico44:DendogramadasdesvantagensusandoométododeWard.......................................................85Gráfico45:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoFeminino.........................................................................................................................................................................86Gráfico46:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoMasculino.........................................................................................................................................................................86Gráfico47:DendogramadasdesvantagensusandoométododeWardparaosinquiridosnãocompradores.........................................................................................................................................................................86Gráfico48:DendogramadasdesvantagensusandoométododeWardparaosinquiridoscompradores...86Gráfico49:Representaçãodavariânciadasdimensõesassociadasàsdesvantagensdacompraonline.......87Gráfico50:CoordenadasdoscentroidesdaACMparaasdesvantagensdacompraOnline:Dimensão1vsDimensão2.....................................................................................................................................................90Gráfico51:CoordenadasdoscentroidesdaACMparaasdesvantagensdacompraOnline:Dimensão3vsDimensão4.....................................................................................................................................................90Gráfico52:CoeficientesdefusãodaanálisedeClustersassociadaàsdesvantagensdacompraonline.......91Gráfico53:CurvaROCassociadaaoModelodeRegressãoLogísticaobtidoparaasdesvantagensnacompraOnline,usandocomovariávelsuplementar“Costumarealizarcomprasonline”...........................................97Gráfico54:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaasdesvantagensnacompraOnline,usandocomovariávelsuplementar“Sexo”........................................................................................99Gráfico55:TempomáximoparaentregadecompraOnline........................................................................102Gráfico56:InquiridosquecomparamprodutosOnline................................................................................102Gráfico57:Meiosdepublicidadeconsideradosmaiseficazesporcadaumdossexos................................103Gráfico58:MeiosdepublicidadeconsideradosmaiseficazesporCompradoreseNãoCompradoresOnline.......................................................................................................................................................................104Gráfico59:Dendogramadosmeiosdepublicidademaiseficazesusandoométododoscentroides..........105Gráfico60:Dendogramapublicidademaiseficazesusandoométododamaiordistância..........................105Gráfico61:DendogramapublicidademaiseficazesusandoométododeWard.........................................105Gráfico62:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoFeminino.......................................................................................................................................................................106Gráfico63:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoMasculino.......................................................................................................................................................................106
Gráfico64:DendogramadasdesvantagensusandoométododeWardparaosinquiridosnãocompradores.......................................................................................................................................................................106Gráfico65:DendogramadasdesvantagensusandoométododeWardparaosinquiridoscompradores.106Gráfico66::Representaçãodavariânciadasdimensõesassociadasaosmeiosdepublicidademaiseficazes.......................................................................................................................................................................107Gráfico67:CoordenadasdoscentroidesdaACMparaosmeiosdepublicidademaiseficazes:Dimensão1vsDimensão2...................................................................................................................................................110Gráfico68:CoordenadasdoscentroidesdaACMparaosmeiosdepublicidademaiseficazes:Dimensão3vsDimensão4...................................................................................................................................................110Gráfico69:CoeficientesdefusãodaanálisedeClustersassociadaaosmeiosdepublicidademaiseficazes–métododovizinhomaisafastado.................................................................................................................111Gráfico70:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaosmeiosdepublicidademaiseficazes,usandocomovariávelsuplementar“Costumarealizarcomprasonline”..............................117Gráfico71:CurvaROCassociadoaoModelodeRegressãoLogísticaparaosexoemfunçãodosmeiosdepublicidademaiseficazes..............................................................................................................................119
Listadenotaçõeseabreviaturas
σ:Desvio-padrãodaPopulaçãos:Desvio-padrãodaamostraACM:AnálisedeCorrespondênciasMúltiplas
AD:AnáliseDiscriminante
RL:RegressãoLogísticag:MédiadaPopulação
h:MédiadaPopulação
AUC:ÀreaabaixodacurvaROC(Areaunderthecurve)
OR:Oddsratio
Caracterizaçãodoshábitosdee-commerce
1
1) Introdução
Acompanhandoo crescimentoexponencialdosutilizadoresda Internet em todoomundo, tambémo
númerodeutilizadoresdocomércioeletrónicooue-commerceevoluiuconsideravelmente.
O e-commerce é uma das realidades atuais mais discutidas no mundo dos negócios e, enquanto
ferramenta de comércio, tem sido responsável pela reformulação das relações entre clientes e
fornecedores,pelaracionalizaçãodosprocessosdenegócioepelareestruturaçãodeváriasindústrias.
EmPortugal,aindaqueaproporçãodeutilizadoresquecompraonlinesejareduzida,ofenómenodoe-
commerce tem vido a crescer na última década e já faz parte do dia-a-dia de muitos Portugueses,
complementarmentee/ouemalternativaaocomérciotradicional.
Em termosde investigaçãooestudodosmodelosdenegóciodaeconomiadigital é recentee, ainda,
existem poucos dados científicos quantificáveis. No entanto, cada vez mais as empresas procuram
compreenderasmelhorespráticaseobservarastendênciasemergentesquemoldamocomportamento
doconsumidoronline.
Tendoemconsideraçãoopapelcentralqueoe-commerce jádesempenhanocomércioportuguêseo
seupotencialde influênciadaspráticasdeconsumo,este trabalhoprocura,emtermosgerais,analisaro
comércioeletrónicoestabelecidoentreempresaseconsumidoresfinaisindividuaisportugueses.
Começamosporenquadraroe-commercenaevoluçãodainterneteporanalisarasuaprópriaevolução,
assimcomoosmodelospropostosparaocomportamentodoconsumidoronline.Deseguida,combasena
literaturadisponível,traçamosoperfilsociodemográficodoconsumidoronline,asmotivaçõesevantagens
que associa ao e-commerce, assim como as perceções de risco, nomeadamente no que diz respeito à
segurança e privacidade. Efetuamos ainda uma síntese de alguns estudos relevantes já realizados em
Portugalsobreestetema.Nofinaldestecapítulointrodutório,justificamosapertinênciadoestudoquefoi
realizado bem como dos seus objetivos. No capítulo seguinte fazemos uma breve revisão de alguns
métodos estatísticos que serão utilizados na análise do conjunto de dados recolhidos. Posteriormente,
descrevemos a metodologia utilizada para definir a amostra, a elaboração do questionário e como
procedemos à recolha dos dados. Finalmente, apresentamos e discutimos os resultados obtidos,
terminandocomaenunciaçãodealgumasconsideraçõesfinais.
1.1) EvoluçãodaInternetA sociedade atual vive nummundo onde a troca e a partilha de informação de conteúdos são uma
constantedodia-a-dia.Em2015,utilizandoapenasumsmartphonecomacessoàinternet,épossíveltrocar
emails,enviarfotografiasouvídeos,pesquisarediscutirsobretemasdeinteresse,verefalarcompessoas
Caracterizaçãodoshábitosdee-commerce
2
queestãonooutro ladodomundo, conhecernovaspessoas, reservar voosehotéis, acompanharoque
estãoosamigosafazernessemomentooumesmogerirasfinançaspessoaissemgrandedificuldade.
O caminho para chegar aqui não foi fácil, iniciou-se com o clima de tensão gerado após o final da
Segunda GuerraMundial e que deu origem à Guerra Fria – período no qual eram comuns as ações de
espionagementreosEstadosUnidoseaUniãoSoviética.ComoreaçãoaolançamentoefetuadopelaRússia
doSputnik -oprimeirosatéliteartificial lançadoparaoespaçoexterior–osEstadosUnidoscriaram,em
1957,aARPA(AdvancedReasearchProjectAgency)comoobjetivodedesenvolverprogramasrelacionados
com satélites e o espaço. Um anomais tarde com a criação da NASA (National Aeronautics and Space
Administration),aARPAperdeuespaçodeatuaçãoecentrou-senainvestigaçãoemInformática.
EmOutubrode1958,JosephLicklider,contratadopelaARPA,criouoInformationProcessingTechniques
Office (IPTO),demodoagarantiracomunicaçãoentreos investigadores, conduziua investigaçãoparaa
criaçãodeumarede–NET–detransferênciadedadosentrecomputadores.LickliderabandonouaARPA
em1965,porémainvestigaçãonestaáreacontinuouaserdesenvolvidapelaARPA.Apósalgunsanoscom
desenvolvimentos na forma de partilha da informação (que levaram a criação de protocolos de
transferência de dados) foi criada, em 1969, a primeira rede de computadores – ARPANET – que ligava
computadores entre a Universidade da Califórnia em Los Angeles, o Stanford Research Institute, a
UniversidadedeUtaheaUniversidadedaCalifórniaemSantaBárbara,utilizandoa rede telefónicapara
partilharainformação,estandoaexpansãodasprimeirasnetsrepresentadasnaFigura1.
Figura1:Mapacomevoluçãodasprimeirasredes(nets)
Fonte:https://sites.google.com/site/sitesrecord/o-que-e-arpanet
Caracterizaçãodoshábitosdee-commerce
3
ComoaparecimentodeoutrasredesnosEstadosUnidos,foinecessáriogarantiracomunicaçãoentre
várias NETs de informação. Vinton Cerf e Robert Kahn utilizaram o protocolo TCP/IP para garantir a
comunicação entre 3 redes distintas (ARPANET, RPNET e STATNET) e aí nasceu o conceito de internet.
Contudo,estetermosósetornoupopularquando,em1990,aARPANETfoisubstituídapelaNSFNET,que
sepopularizoucomointernet.Em1991otermoWorldWideWebéutilizadopelaprimeiravez. Rapidamente, o surgimento de novas redes estendeu-se ao continente Europeu, com redes em
InglaterraeemFrançaondenoâmbitodoprojetoCyclades,foiconstruídaaTRANSPAC–umnódestarede
foiinstaladoemLisboa,nascendoassimainternetemPortugal.Nadécadade80,ainternetcomeçaaser
utilizadaporalgumasempresaseuniversidadesportuguesas, sendoqueem1991todasasuniversidades
estavamabrangidaspelaRCCN–RededaComunidadeCientíficaNacional. Em1995,aPortugalTelecom
surgecomooprimeiroInternetServiceProvider(ISP)elançaokitTelepac,democratizandoassimoacesso
à internetàpopulaçãoemgeral.Desdeentãosurgiramváriosnovos ISP’s,eatecnologiasobreoqualos
dadossãotransferidosevoluiudesdeligaçõespormodemeRDIS(RedeDigitalIntegradadeServiçosvulgo
linha telefónica), a ligaçõesporADSL, cabooumais recentemente fibraótica, nasquais a velocidadede
transferênciadedadosébastante superior–atualmenteexistemsoluções com400Mbpsdevelocidade
garantidadetransferência,quecomparamcom56Kbpsdevelocidademáximadosmodemsdadécadade
90.
NaprimeiradécadadoséculoXXI,comademocratizaçãodainternetcomobemdeconsumopessoale
doméstico, assistiu-se àquilo que é vulgarmente chamada “explosão da internet”, aumentando
exponencialmente o número de utilizadores, de sites, de novos conteúdos e de novas aplicações da
internet (Gráficos 1 e 2). Foi, a partir deste período, que surgiram alguns dos principais serviços que se
tornaramreferênciaeparteintegrantedodia-a-diademilhõesdepessoasdaatualidade(Tabela1).
Fonte: http://www.internetworldstats.com
Gráfico1:Utilizadoresdeinternetporcontinente
Caracterizaçãodoshábitosdee-commerce
4
Fonte: http://www.internetworldstats.com
Tabela1:PrincipaislançamentosdahistóriadainternetnosprimeirosanosdoséculoXXI
Anodelançamento Serviço Descrição
2001 Wikipedia Repositóriodeconhecimento
2003 Wordpress Ferramentadecriaçãoeediçãodesites
2003 iTunesStore Lojaonlinedemúsicaefilmes
2003 LinkedIn Redesocialparaprofissionais
2003 Skype Ferramentaparavideoconferências
2004 Facebook Redesocial
2004 Gmail Ferramentadeemail
2005 Youtube Ferramentadepartilhaevisualizaçãodevídeos
2006 Twitter Redesocial
2008 Evernote Ferramentadeorganizaçãodeinformação
2010 Pinterest Redesocial
2012 Google+ Redesocial
Atualmente, em 2015, considera-se que estamos a viver a 2ª geração da internet (ou Web 2.0). A
primeira geração da internet (ou Web 1.0) diz respeito à implementação da rede per si e do
desenvolvimento dewebsites. A segunda geração é caracterizada pelo relacionamento dos utilizadores
entre si, gestores de conteúdos ou empresas – tendo como exemplo a relação dos utilizadores com o
Youtube ou o Facebook ou ferramentas colaborativas como a Wikipedia, nos quais são os próprios
utilizadoresageraremosconteúdosdoprópriowebsite.Aterceira(epróxima)geraçãode internet(Web
Gráfico2:PenetraçãodeInternetnaPopulação(Junho/2014)
Caracterizaçãodoshábitosdee-commerce
5
3.0 ouWeb semântica) tem por base a premissa de que a rede se consiga organizar autonomamente,
“aprendersozinha”comoconhecimentodisponíveleapresentarasmelhoressoluçõesparaumutilizador
específico sobre determinado problema. O conceito associado a esta 3ª geração de internet tem sido
bastante criticado e posto em causa por ser um conceito extremamente ambicioso, idealista e que
dificilmenteseráexecutado.Aindaassim,osgigantesdaindústria jáestãoaprepararosseusmotoresde
busca para esta terceira geração, sendo que o Google Search, oMicrosoft Bing e oWolfram Alpha, de
StephenWolframtêmdadopassosimportantesnestamatéria.
Outro avanço que importa destacar relativamente ao modo como é consumida a internet é a
multiplicidadededispositivosedosnovosusosqueépossíveldaràinternet.Longevãoosanosemqueera
necessárioumcomputadordesktopouumportátilparaacederà internet.Nestemomento,eapartirde
preços bastante reduzidos e ao alcance da generalidade da população, é possível a aceder à internet
através de smartphones, tablets ou wearable devices. Estes últimos dispositivos, que estão ligados à
internet através de redewireless ou móvel e são, muitas vezes, usados como um acessório de moda
(pulseiras, relógios, fitas de competição), constituem uma tendência crescente nos últimos anos,
permitindo-nosmonitorizarváriosaspetosdavidaquotidiana(porexemplo,onúmerodekmspercorridos
duranteumacorridamatinal,onúmeroeaqualidadedashorasdesono,etc.)eprometemrevolucionara
formacomoexperienciamosodia-a-dia.
1.2) EvoluçãodoE-commerceEm termos gerais, o termoe-commerce (Electronic Commerce), que emportuguês significa Comércio
Eletrónico,correspondeàstransaçõescomerciaisefetuadasatravésdedispositivoseletrónicoscomacesso
àinternet(computadores,smartphones,tablets,…),apartirdasquaissãoadquiridosprodutosouserviços
através de meios puramente digitais, que não envolvem contacto humano entre o consumidor e o
comerciante.
Turbanetal.(2008)definemocomércioeletrónicocomooprocessodecompra,venda,transferênciaou
trocadeprodutos,serviços,e/ouinformaçãoatravésderedesdecomputadores,incluindoainternet.Jáo
Eurostat adota uma definição em linha com a defendida pela Organização para a Cooperação e
DesenvolvimentoEconómico(OCDE),segundoaqualocomércioeletrónicoconsistenatransaçãodebense
serviçosentrecomputadoresmediadosporredes informáticas,comaressalvadequeopagamentooua
entregadosprodutostransacionadosnãotêmdeocorrer,obrigatoriamente,atravésdessasredes.
Independentementedaformacomooconceitodee-commerceédefinido,importareterqueaquiloque
distingue o comércio eletrónico do comércio tradicional é, sobretudo, a forma como a informação é
trocada e processada entre as partes intervenientes, sendo que, no caso do comércio eletrónico, o
contactopessoaldiretoentreosenvolvidosésubstituídoporfluxosdeinformaçãotransmitidosatravésde
Caracterizaçãodoshábitosdee-commerce
6
umarededigitaloudeoutrocanaleletrónico(ANACOM,2004).
Existem diversas formas de classificar o e-commerce, consoante, por exemplo, o tipo de produto ou
serviço transacionado, o sector de atividade a que correspondem, a tecnologia de suporte usada, os
montantesenvolvidosnastransaçõesouotipode intervenientesnoprocesso.Umadasclassificaçõesmais
comuns tememcontao tipode intervenientesenvolvidose identificaquatro tiposprincipaisde comércio
eletrónico (Saraiva, 2012): Business-to-Business (B2B), Business-to-Consumer (B2C), Business-to-
-Administration(B2A)e,porúltimo,Consumer-to-Administration(C2A).Nestetrabalhoanalisaremosotipode
e-commerce B2C, uma vez que pretendemos estudar os hábitos de e-commerce dos consumidores
portugueses.
Antesdaexistênciadestasclassificações,ahistóriadoe-commercenascecomMichaelAldrich,queem
1979inventouoconceitodeOnlineShoppingparaossegmentosB2CeB2B.Em1980,Aldrichinventaainda
oTeleputer(muitasvezestraduzidocomo“Telecomputador”)–umamáquinaqueresultadafusãodeum
televisor, um computador e a própria rede de telefone doméstica. O Teleputer foi produzido e
comercializado durante vários anos como uma máquina para fazer transações eletrónicas. Em 1981 a
ThomsonHolidays fazaprimeira transaçãoeletrónicadahistória,nestecasonomercadoB2B.Trêsanos
maistarde,aTescofazaprimeiravendaparaosegmentoB2C.
Em1994foramfeitosváriosavançosaoníveldaencriptaçãodedados(SSLEncryption),oquelevoua
umamaiorsegurançanospagamentosfeitosatravésda internet.Nessemesmoano,aPizzaHutvendeua
suaprimeirapizzaonline. Em1995,nasceramdoisdosprincipaisplayers domercadodee-commerce da
atualidade:aAmazoneoeBay.
Em 2002 o eBay adquire o PayPal, ferramenta que foi adotada pela generalidade dos sites de
e-commerce, e que tornou as compras online mais rápidas, cómodas e seguras. Mais recentemente é
possívelaqualquerutilizadorque tenhaumsite eumnegóciopróprio tera suaprópria lojaonlinequer
através de soluções open-source, quer através de ferramentas como o Shopify que faculta, através do
pagamentodeumamensalidade,umalojaonlinecomasfuncionalidadesmaisavançadasdomercado,não
exigindo conhecimentos técnicos de informática avançados por parte do utilizador para colocar o seu
negócio online. Outra das soluções encontradas por pequenos retalhistas foi a venda dos seus
produtos/serviços através de ferramentas colaborativas ou redes sociais, como o Facebook, através das
quaisoscomerciantesexpõemgratuitamenteosseusprodutos/serviçosparaumadeterminadaaudiência.
Desde o início da primeira década de 2000 até hoje o comércio eletrónico B2C tem registado uma
evoluçãoassinalável,quernoespaçoeuropeu,queremPortugal,demonstrandooenormepotencialqueo
comércioonlinetemnasociedadedosnossosdias.Entre2004e2010,aproporçãodeconsumidoresque
realizou compras online nos últimos 12meses cresceu significativamente, duplicando (aumento de 20%
para40%)nocasodaUniãoEuropeiaetriplicando(aumentode5%para15%)nocasodePortugal(Santos,
2011).Aindaassim,nageneralidadedospaísesdaUniãoEuropeiaaproporçãodeconsumidoresqueefetua
Caracterizaçãodoshábitosdee-commerce
7
comprasonlineérelativamentebaixasendo,nageneralidadedospaíses,inferiora50%.Damesmaforma,
afrequênciacomqueamaiorpartedosconsumidoresrealizacomprasonlineéreduzida(Santos,2011).
Jánoquedizrespeitoàpercentagemdasempresasquevendeonline,deacordocomumrelatórioda
ComissãoEuropeia(2009),PortugalestáacimadamédiadaUniãoEuropeia.Apesardoe-commerceainda
estarnumafasedecrescimento,asempresasjáimplementamestesistemadecomércioecompreendem
assuasmais-valias(Bhanji,2010).
Por último, importa destacar alguns fatores que têm tido um papel de relevo no crescimento
significativodasvendaseme-commerce,aocontráriodoqueacontececomocomérciotradicional:
• O aumento da velocidade de acesso à internet, a hiper conectividade que o serviço móvel
possibilitaeademocratizaçãodatecnologia;
• Asvendasatravésdesitesdepromoçõesouvalespromocionais;
• Aevoluçãodosmétodosdepagamento;
• Olançamento,em2000,doGoogleAdWords–umaferramentaintegradanapesquisadoGoogle
que apresenta anúncios associados à pesquisa do utilizador. Esta ferramenta permitiu às
empresasapresentarosseusprodutosnumazonadedestaquenomomentoemqueoutilizador
estáafazerpesquisasrelacionadascomessesprodutos,pagandoapenascasooutilizadorclique
noanúncio.
1.3) ModelosdeComportamentodoConsumidorOnline
Váriosautorestêmprocuradoadaptarecriarmodelosdecomportamentodoconsumidoradequadosao
contextoonline,quepodemajudaracaracterizareacompreenderoshábitosdee-commerce.Cheunget
al. (2003) propuseramumModelo de Intenção, Adoção e Continuidade/Recompra. De acordo com este
modeloexistem5fatoresquemoldamaintenção,aadoçãoeacontinuidadedacompraonline:
• Característicasdoconsumidor: as característicasdemográficas,depersonalidade,estilodevida,
motivação, satisfação, confiança, entre outras determinam e revelammuito sobre a adesão à
compraonline;
• Característicasdoproduto/serviço:otipodeproduto,afrequênciadecompra,atangibilidadeea
diferenciaçãodepreço são algumasdas características quemoldamaperceçãodo consumidor
online;
• Características domeio: o consumidoronline valoriza e procura a facilidade de uso domeio, a
segurançaearapidez;
• Características do comerciante e do intermediário: na escolha do consumidor online também
pesam fatores como a qualidade do serviço, a privacidade dos dados, o sistema de entrega, o
serviçopós-vendaouareputaçãodamarca;
Caracterizaçãodoshábitosdee-commerce
8
• Influências do ambiente envolvente: a cultura, a imagem, o ambiente social ou os hábitos de
trabalhosãooutrosdoselementosquepodeminfluenciaroconsumidoronline.
Zhou et al. (2007) propõem outromodelo – oModelo de Aceitação de ComprasOnline. Os autores
analisaram a literatura existente sobre os fatores de consumo que influenciam o comportamento do
consumoonline.Deacordocomestemodeloaexperiêncianainternetafetaasmotivaçõeseaintençãode
compra online, assim como a experiência do consumidor online. As características demográficas dos
consumidores (comoa cultura,o sexo,a idadeou tipodeprodutosquecompram) têm impacto sobrea
perceçãoderiscoeoresultadopercebidodacompra–elementoqueassumeimportâncianestemodelo.
Esteresultadorefere-seàperceçãodepossíveisresultados(positivosounegativos)docomportamentode
compra. A intenção e a realização da compra online são ainda afetadas pelas crenças normativas dos
consumidoresepelasrecomendaçõesdefamíliaeamigos.
Asatisfação,enquantosentimentogeraldoconsumidoronlinesobreaexperiênciaanteriordecompras
online, constituium forte indicadordacontinuidadeda intençãoe realizaçãodecomprasonline, a longo
prazo(Saraiva,2012).
1.4) PerfilSociodemográficodoConsumidorOnline
Deacordocomosresultadosde2009doBaremeInternetdaMarktest,umemcadacincoportugueses
jáfezcomprasdeprodutosouserviçosatravésdainternet.Estes1667milportuguesesrepresentam20,1%
dototaldeindivíduos,comidadesuperiora15anos,queresidemnocontinente,e37,2%dosutilizadores
da internet (Bhanji,2010).Apesarde83%dosutilizadorespesquisar informaçãosobrebenseserviçosna
internet,apenas34%destesconcretizaarealizaçãodecomprasonline (Santos,2011).Quecaracterísticas
diferenciamestesconsumidoresonline?
DeacordocomSantos(2011)osindivíduosdosexomasculino,comidadescompreendidasentreos16e
os44anos,detentoresdehabilitaçõesliteráriasaoníveldoensinosecundárioedosuperior,estudantese
empregados,assimcomoresidentesnaregiãodeLisboadestacam-sepositivamentedaproporçãomédia
nacional de utilizadores do comércio eletrónico. SegundoBhanji (2010) os idosos, residentes no Interior
Norte, reformados e domésticas, assim como consumidores de classes sociais mais baixas são os que
menosaderemaoe-commerce.
Saraiva (2012) sintetizou os principais resultados de diversos estudos que procuraram investigar os
fatores sociodemográficos gerais que influenciam as compras online, concluindo que os homens fazem
comprasonlinecommaisfrequênciaegastammaisdinheirodoqueasmulheres;nãoexistemresultados
clarossobrearelaçãoentreaidade,ograudeinstruçãoefrequênciadecompraonline.
NoquedizrespeitoaogénerotambémRodgerseHarris(2003cit.inFerreira,2013)afirmamqueapesar
Caracterizaçãodoshábitosdee-commerce
9
do número de utilizadores da internet estar igualmente dividido entre géneros, mais homens do que
mulheres realizam comprasonline. Em Portugal, segundo dados do INE/UMIC, em 2012, a utilização do
e-commerceeramuitosemelhanteentrehomensemulheres(14,1%e12,5%,respetivamente).
Estudos recentes sublinhamquehomensemulheresvalorizamaspetosdiferentesdoe-commerce: as
mulheres focam-se mais na confiança e garantia de segurança, assim como na capacidade de partilhar
opiniões; os homens interessam-se mais pelo valor obtido através da compra (Ferreira, 2013). Para os
homens não é relevante o facto de no consumo online não ser possível interagir fisicamente com o
vendedor,masprivilegiamaconveniênciadascomprasonline.Paraasmulheres,aconteceooposto:dão
mais importânciaàdimensãosocialdacompradoqueàconveniência.Estepodeserumdosfatoresque
explicaofactoeutilizaremoe-commercecommenorfrequência(Saraiva,2012).
Relativamente à idadeos estudos são contraditórios em relação à idade dos consumidoresonline no
quedizrespeitoàintençãoefrequênciadacompraonline–algunsestudosidentificamrelaçõespositivas,
outrosnegativaseoutrosaindaumaausênciaderelação(Saraiva,2012).
UmestudorealizadopelaACEPI(2010)notouqueacategoriadeprodutosmaiscompradosatravésda
internet durante o primeiro trimestre de 2010 foi o da Eletrónica/Telemóveis (24%), seguido pela
Informática(15%)eAlimentação/Bebidas/Tabacaria/Charutos(15%).
1.5) MotivaçõeseVantagensAssociadasaoE-commerce
Umavezque,nocontextoonline,oconsumidorinteragecomelementosdiferentesdocontextooffline,
nomeadamentecomatecnologia,éimportantecompreenderaspreferênciasemotivaçõesdoconsumidor
pararealizarcomprasatravésdocomércioeletrónico.
Analisandodiversosestudos,Lima(2012)concluiuqueocomportamentodecompraonlineémotivado
porváriosfatores,entreosquaissedestacamopreçobaixo,aconfiança,aconveniência,apoupançade
tempo,oatendimentoaoconsumidoreapossibilidadedecomparaçãodeprodutos.
Ferreira (2013) reúne um conjunto de investigações que distinguem entre motivações utilitárias
(consumidor orientado por objetivos – quer cumprir o objetivo da compra de modo eficiente e sem
desperdiçar tempo) ehedónicas (consumidororientadoporexperiências – procura sensaçõesdeprazer,
diversãoefantasiaduranteacompra)paraacompraonline.
ArevisãodeliteraturarealizadaporSaraiva(2012)confirmaqueosconsumidorescompramonlinepelo
seu carácter utilitário e vêm na conveniência o principal benefício associado à compra online,
nomeadamenteaoníveldoacesso,poupançadetempoeeficiência.
Castro(2012)estudou,emPortugal,osfatoresqueinfluenciavamaprocuradeinformaçãoeaintenção
decompraonlinedeseguroautomóvel.Naprocurade informaçãoobteveevidênciasdequeasvariáveis
commaiorimpactosãoaperceçãodeutilidade,aatratividadedepreço,oenvolvimentoeaperceçãode
Caracterizaçãodoshábitosdee-commerce
10
facilidadedeuso.Paraaintençãodecompraonline,asvariáveisquerevelaramtermaiorimpactoforama
perceçãodeutilidade,aatratividadedepreço,aconfiançaealealdade.
Édesalientarque,talcomonomercadooffline,tambémnomercadoonlineacredibilidadedaempresa
écrucial–osconsumidoresonlinecompramasmarcasqueconhecemenasquaisconfiam(MayaeOtero,
2002 cit. in Saraiva, 2012). Da mesma forma a personalização é muito importante na qualidade da
experiência de compra online e, portanto, as campanhas de comunicação, a interação comercial e as
situações de reclamação devem ser sempre geridas de forma orientada para o relacionamento com o
cliente(Saraiva,2012).
Tendoemcontaosfatoresqueparecemexplicaramotivaçãoparaoconsumoonline,váriosestudoseo
contributo de diferentes autores, Santos (2011) enumera os seguintes benefícios e vantagens do
e-commerce:
• Conveniência: possibilidade de comprar produtos e serviços em qualquer momento e em
qualquerlocal;acessoaummercadoglobal,sembarreirasgeográficas;
• Redução de custos: ao permitir reduzir os custos de comunicação, recolha de informação,
processamento de transações, distribuição de produtos digitais, cadeia de abastecimento e
serviçoaocliente,ainternetpossibilitaapráticadepreçosmaisbaixosnocomércioeletrónico;
• Qualidadedoserviço:osconsumidoresonlinebeneficiamdeumamelhorqualidadedoserviçoe
deumapoiopréepós-vendamaiseficiente,dadaaproximidadeentrefornecedoreseclientes;
• PersonalizaçãoeFoconoconsumidor:ocomércioeletrónicopermiteaos fornecedores recolher
informaçõesrelevantessobreascaracterísticas,gostos,necessidades,desejosecomportamentos
doconsumidoronline.Ousodessa informaçãopermiteconceberumaofertadebenseserviços
adequadaaoperfildoclienteeutilizarestratégiasdemarketingone-to-onequeconduzemauma
verdadeirapersonalização;
• Ausência de pressão para comprar: uma vez que não existem vendedores persuasivos, o
consumidorpodetomardecisõesaoseuritmoesempressão.
Restaacrescentarqueomercadoonlinetemtambémumpapelimportantenatomadadedecisõesde
consumidoresoffline.Muitos consumidores, embora finalizemoprocesso de compraoffline, recorrema
sitesonlineparacomprarpreçoseprocurarinformaçõessobreosprodutos(BroekhuizeneHuizingh,2009
cit.inBhanji,2010).
Caracterizaçãodoshábitosdee-commerce
11
1.6) PerceçõesdeRiscoAssociadasaoE-commerce
A perceção de risco consiste na crença subjetiva do consumidor poder ter uma má experiência de
compra,ouseja,acomprapodernãocorresponderaoqueéesperado.Estaperceçãoderisco influencia
negativamenteaintençãodecompraearealizaçãoefetivadecompraspeloconsumidoronlineeémaior
do que a perceção de risco associada ao comércio tradicional, nomeadamente porque não existe uma
interaçãodiretaehumananarelaçãocomercial,assimcomopelosriscosdeprivacidadeepartilhadedados
queautilizaçãodainternetacarreta.Lima(2012)concluiuqueosconsumidoresonlinefariammaiscompras
onlinenãofossemaspreocupaçõesaoníveldosriscosdequebradesegurançaeviolaçãodaprivacidade.
Bhatnagaretal.(2000cit.inSaraiva,2012)vãomaislongeereferemqueaperceçãoderisconascompras
onlineémaiornocasodeprodutosdoquenocasodeserviços.
Santos (2011) sublinha que, em Portugal, a preocupação do consumidor com a privacidade da
informaçãopessoal surge comoumdosprincipaismotivosparaanãoadoçãodo comércioeletrónico.A
não realização de compras online é referida pelos consumidores como uma das consequências mais
relevantesdapreocupaçãocomasegurança.Deacordocomoautor,emPortugal,57%dosutilizadoresda
internetquenãocompraramonlinenoúltimoanofizeram-noporpreocupaçõescomasegurança,53%por
preocupaçõescomaprivacidadee42%porpreocupaçõescomaconfiança.
Destaforma,asegurançaeaprivacidadeconstituemdesafiosessenciaisparaosucessodoe-commerce.
Lopes (2014) analisouváriosestudos sobreos fatoresquemais influenciamaperceçãode segurançado
consumidoronline e enumerouos seguintes: atitudepara coma segurança e propensãodo consumidor
para confiar; conhecimento e experiência dos recursos de segurança; facilidade de uso do interface e
apresentação do website; presença de “https” na barra de endereço; existência de uma política de
privacidadeesegurançaedereceçãoeletrónica;credibilidadeecertificaçãoporterceirosdaempresaque
forneceoserviçoouproduto.
Bhanji (2010) sublinha ainda que aquando do momento de realização de uma compra online, o
consumidorsequestionasobreaformadepagamentoeosmecanismosdearmazenamentoetransmissão
de informações pessoais. O consumidor pode evitar a compra online devido à perceção dos riscos
envolvidosnatransmissãodeinformaçõescomoonúmerodecartãodecrédito.
Lee e Turban (2001 cit. in Santos, 2011) conceberam um modelo teórico que inclui quatro grandes
determinantes que estabelecem a confiança online e são moderados pela propensão individual para
confiar:
• Confiançanoretalhistaonline(capacidade,integridadeebenevolência);
• Confiançanainternetcomomeiodecompra;
• Infraestruturas(segurançaecertificaçãoporentidadesexternas,porexemplo);
• Outrosfatores(comoadimensãodaempresaouvariáveissociodemográficas).
Caracterizaçãodoshábitosdee-commerce
12
1.7) MeiosdePublicidadeOnline
Apublicidadeonlinecorrespondeàsaçõesdemarketingatravésdemeiosinterativos,nomeadamentea
internet,eutilizaumtipodecomunicaçãoparticularmenteorientadoparaainteração(Nordeste,2009).
De acordo com Zeff e Aronson (2000 cit. in Cabral, 2011), a publicidade online possui quatro
características distintas: focalização (possibilidade de impactar determinados consumidores ou áreas
geográficas,assimcomodirecionarasmensagenspromocionais conformeahoradodiaouaplataforma
online);monitorização(dointeresseedoenvolvimentodoutilizadorcomdeterminadamarca,assimcomo
da resposta a determinada peça publicitária através do número de vezes que é clicada, do número de
comprasoudeindicaçõesquegerou);entregaeflexibilidadedamensagem(possibilidadedeanunciarem
temporeal,24horaspordia,365diasporano,assimcomodeatualizaroucancelaracampanhaaqualquer
momento);einteratividade(possibilidadedosconsumidoresinteragiremecompraremumproduto).
Àmedida que a internet se desenvolve vão surgindo novas formas e formatos de publicitaronline –
banners,botões,floatingads,interstitialbanners,mapads,MRECS,pop-upadsousuperstitials.Paraalém
destes, mais tradicionais, têm surgido abordagens de marketing one-to-one, que personalizam as
mensagens publicitárias conforme os clientes – email marketing, newsletters, emails promocionais,
marketingviraleSearchEngineMarketing,porexemplo(Nordeste,2009).
As campanhasdeemailmarketing constituemumdosmeiosde angariação comercialmais utilizados
atualmente, permitindoumaabordagemdireta, semcustos (ou comcustosmuito reduzidos)queatinge
milharesdeutilizadoresrecorrendoaumataxadeesforçodiminuta.Faceaoutroscanaisdepublicidade
offline(comoatelevisãoouosoutdoors),oemailmarketingpermiteàsempresasmediroimpactoefetivo
daAçãopublicitária(porexemplo,númerodeutilizadoresqueviramoemail,queoabriram,queforamao
sitedaempresaouqueacabaramporrealizarumacompranasequênciadoemail).
É possível ainda, hoje emdia, associar publicidade aosmotores de busca ou às redes sociais.Nestes
casos,asempresaspodempublicitarosseusprodutosouserviçosapenasadeterminadaaudiênciaeainda
recolher informação detalhada sobre os utilizadores de modo a, posteriormente, adequar novas ações
publicidadesaosseusgostos,interessesecomportamentosdeconsumo(Nordeste,2009).
Porexemplo,umanunciantequelanceumaaçãopublicitárianoFacebookpodesegmentá-lademodo
muitoespecíficoemfunçãodoperfildeconsumidorquepretendeatingir:mulheres,entreos20eos60
anos,queresidamnocentrodopaís,quejásejamclientesdamarca.Ouaindaemfunçãodoseuhistórico
denavegaçãonainternet,porisso,éfrequente,quandopesquisamosumdeterminadohotel,voltarmosa
ver anúncios a esse mesmo hotel na página de Facebook ou noutras que permitam este tipo de ação
publicitáriaderemarketing.
Caracterizaçãodoshábitosdee-commerce
13
1.8) EstudosRealizadossobreE-commerceemPortugal
Santos(2011)procurouanalisaraformacomoapreocupaçãocomaprivacidadedainformaçãopessoal
nainternetexerceoseuimpactonaintençãodoconsumidorrealizarcomprasonline.Construiuummodelo
de investigaçãoqueestabelecequeapreocupaçãocomaprivacidadeexerceoseuefeitona intençãode
compraronline,por intermédiodasua ligaçãoaomodelodaconfiança-risco,àteoriadocomportamento
planeadoeaomodelodeadoçãode tecnologia.Osprincipais resultadosevidenciamqueapreocupação
com a privacidade na internet exerce o seu efeito em diversas crenças sobre a utilização do comércio
eletrónico. Este efeito é negativo sobre a confiança, a utilidade percebida, a facilidade de utilização
percebidaeocontrolodocomportamentopercebido,sendopositivosobreoriscopercebido.Porsuavez,
as trêsprimeiras crenças,deuma formapositiva, eo riscopercebido,deuma formanegativa, têmuma
influênciasobreaatitudeemrelaçãoàutilizaçãodocomércioeletrónico.Aintençãodeutilizarocomércio
eletrónico, enquanto principal variável explicada do modelo, sofre o impacto positivo da utilidade
percebida,docontrolodocomportamentopercebidoedaatitude(Santos,2011).
Com base numa amostra de 343 consumidores, obtida por uma amostragem do tipo bola de neve
(através de email e Facebook), Saraiva (2012) procurou identificar alguns dos principais preditores que
levam os consumidores a realizar compras online, nomeadamente as características demográficas, as
motivaçõeseexperiênciasdecompraonline,ascrençasnormativaseasperceçõesderiscoedebenefícios
associados à compra através da internet. O autor concluiu que existe influência entre o género e a
frequênciaemontantegastoonline;queosamigoseosfamiliaressãoasreferênciasquemais influência
exercemnascomprasonlineequeasatisfaçãoonlineinfluenciapositivamenteascomprasonline.Registou
aindadiferençasnosprodutoscompradosonline entrecadaumdosgéneros,bemcomonaperceçãode
riscoassociadosàinternet.
Ferreira(2013)analisouaexistênciadedivergênciasentreasperceçõesdossexosmasculinoefeminino
relativamenteacomprasonline.Atravésdeumquestionárioonline inquiriu274respondentes,combase
numaamostragemdo tipoboladeneve (recorrendoaoFacebookparadivulgaroquestionário), sendoa
maioriadosexo feminino (58,8%),entreos25eos34anosde idade (43,8%), comhabilitações literárias
equivalentes ou superiores à licenciatura. A dimensão onde foram encontradas maiores diferenças
percetuaisentreambos foiadimensãoEmoção (grauemocionaldehomensemulheresnomomentode
compraonlineegrauesatisfaçãoemocionalapósacompraefetuada),enquantoadimensãoConveniência
(graudeutilidadeprática/conveniênciaatribuídoacomprasonline)mostrouseraquetantoasMulheres
comoosHomensinquiridosatribuemmaiorimportância.
Lopes(2014)realizouumainvestigaçãosobreaspreferênciasdosconsumidoresemmercadosdigitaise
tradicionais.Dos172participantesqueresponderamaoquestionárioonline,enviadoporemailparaabase
daNetsonda,amaioriatinhaentre25e34anos(44%),formaçãodegrausuperior(82%)eeramgrandes
Caracterizaçãodoshábitosdee-commerce
14
utilizadoresdainternet(59,3%).Apenas19%pesquisavaprodutoseserviçosnainternetesó11%comprava
onlineserviçoseprodutos.Osparticipantescompravammaisfrequentementeviagens/estadias(52,7%),no
Mercado online (comparativamente ao mercado tradicional). A maioria dos inquiridos revelou ter um
interessemoderado relativamente às campanhas demarketing. Acerca dos aspetosmais valorizados na
compra de produtos/serviços via internet a maior parte dos participantes referiu a possibilidade de
pesquisaecomparaçãodeprodutos(24%)eacomodidade(22%),assimcomopreçosmaisbaratos(19%)e
rapidez(17%).Sobreosaspetosmenosvalorizadosnacompradeprodutos/serviçosonline,osparticipantes
referiramonãopoderexperimentaroproduto(16%),terdepagarportesdeenvio(15%),adificuldadeem
devolveroproduto(12%),oprazodeentrega(9%),a insegurançaaofazeropagamentoenareceçãoda
encomenda(8%),oesgotamentodostock(7%),aconfiançanoprodutoeoondecomprar(6%cada),onão
ter diversificação demodos de pagamento (5%). Em resposta à pergunta sobre a frequência de compra
online,amaiorpartedosinquiridosrespondeuumavezpormês(53%)eumavezporano(30%).Amaior
parte dos participantes classifica o seu nível de confiança relativamente às compras online como
médio-alto.
1.9) PertinênciaeObjetivosdoEstudo
Apresentedissertaçãotemcomoobjetivogeralcontribuirparaoconhecimentosobreoshábitosdee-
commerceemPortugal,sobumaperspetivaBusiness-to-Consumer.
Como vimos, a generalização do acesso à internet em Portugal, as alterações dos hábitos dos
consumidores,bemcomoacrescentepenetraçãodastecnologiasmóveis(nomeadamentesmartphonese
tablets)conduziramaumatransformaçãodosprocessosdecompra,posicionandooe-commercecomoum
elementocadavezmaisindispensávelnomundoempresarial.
Neste sentido,enamedidaemqueos resultadospermitamconhecermelhoroperfil do consumidor
online,esteestudopodedarumcontributoempresarialrelevante.
O conhecimento das características dos hábitos de e-commerce pode aumentar a eficácia das
estratégias dee-commerce, abrindoportas a umaabordagemde segmentação, daqual podemdecorrer
ações concretas para diferentes perfis de clientes. Conhecer os fatores que determinam (ou não) a
realizaçãodecomprasonline,podeaindacontribuirparaqueasempresaspossaminfluenciarmudançasde
comportamento nos seus clientes, aumentando a eficiência do plano de comunicação e otimizando
processoseestratégiasdecanalquevalorizemoqueémaispotenciadordocomportamentodesejado.
Desta forma,quero crescimentodoe-commerce emPortugal,quera sua relevânciaparaadefinição
futurasdeestratégiasdee-commerceporpartedasempresas,justificamapertinênciadopresenteestudo.
Maisconcretamente,osobjetivosespecíficosaoníveldasaplicaçõesaosquaissepretendedarresposta
atravésdestetrabalhosão:
Caracterizaçãodoshábitosdee-commerce
15
• Traçaroperfildosconsumidoresonlinedopontodevista:
o Das suas características sociodemográficas (idade, sexo, distrito de residência, estado
civil,númerodefilhosegraudeinstrução);
o Dasuaexperiência,tipodecomprasehábitosdee-commerce;
o Dasdesvantagenseperceçõesderiscoassociadasàcompraonline;
o Dasmotivaçõesevantagensassociadasàcompraonline.
• Obter informação sobre o comportamento do consumidor online que permita às empresas
melhoraraeficáciadassuasestratégiasdee-commerce.
Alémdisso,dopontodevistaestatístico,pretendem-secompararosresultadosobtidoscomautilização
de três técnicas diferentes – a Análise de Correspondências Múltiplas, a Análise Discriminante com
particularincidêncianafunçãodeFishereaRegressãoLogística–naidentificaçãodascaracterísticasque
permitamdistinguiroscompradoresonlinedosnãocompradoresonline.
Caracterizaçãodoshábitosdee-commerce
16
2) MétodosEstatísticos
Aolongodestetrabalhoserápreviligiadoousodastécnicasdeanáliseexploratóriadosdados,umavez
quehabitualmentenestetipodeestudosseusamamostrasrecolhidascomprocessosdeamostragemnão
probabilísticos (ver Capitulo 3). Para além da usual estatística descritiva univariada, serão usados
coeficientesdecorrelaçãoparaoestudodaeventualrelaçãoentreduasvariáveis,enaanálisemultivariada
serão usadas as técnicas: Análise de Correspondências Múltiplas, Análise Discriminante (com particular
interessenafunçãodeFisher)eRegressãoLogística.
2.1) CoeficientesdeCorrelaçãoNos questionários é usual predominarem questões cuja resposta é de natureza qualitativa. É nesse
sentidoqueseequadramoscoeficientesdecorrelação:Phi,deContingênciaedeSpearman,quepermitem
estudararelaçãoentreduasvariáveisqualitativas.
CoeficientedecorrelaçãodePhi
O coeficiente de correlação Phi é indicado quando as variáveis são dicotómicas. O coeficiente de
correlaçãoPhiobtem-seapartirdocoeficientelineardePearson,assumindoqueasvariáveissãodotipo
dicotómico.Destemodo,ocoeficientePhiestárelacionadocomocoeficientedequi-quadradoparauma
tabeladecontigência2x2.
Tabela2:Tabeladecontingência
y=0 y=1 Total
x=0 rss rst rs,v
x=1 rts rtt rt,v
Total rv,s rv,t r
ConsiderandoumatabeladecontigênciadotipodaapresentadanaTabela2,ocoeficientedecorrelação
dePhiédadapelaseguinteexpressão(Maroco,2007):
Caracterizaçãodoshábitosdee-commerce
17
w =r00. r11 − r01. r10r{,0. r{,1. r0,{. r1,{
OcoeficientecorrelaçãoPhivariaentre-1e1.Quantomaispróximoestiverdestesextremos,maiorserá
aassociaçãoentreasvariáveis.Osinalnegativodacorrelaçãosignificaqueasvariáveisvariamemsentido
contrário,istoé,queascategoriasmaiselevadasdeumavariávelestãoassociadasacategoriasmaisbaixas
da outra variável. Pelo contrário, o sinal positivo indica que as variáveis variam nomesmo sentido. Um
valor próximo de zero é indicativo de não existencia de relação entre as variáveis. Existem várias
formulações para este coeficiente, sendo comumente aceite uma formulação onde o valor de Phi varia
entre0e1.Neste trabalhooptou-sepor se seguira formulaçãoapresentada,poisé coincidentecomos
softwaresutilizados.
Coeficientedecorrelaçãodecontigência
O coeficiente de contingência (C) permite correlacionar duas variáveis nominais, uma comr|}~�ÄÅ
categorias eoutra comrÇÉ|Ñ~ÄÅcategorias, presentes em tabelas de contigência, nãoexigindoqualquer
tipodepressupostorelativamenteàdistribuiçãodosdados.
Estecoeficientepodesercalculadodoseguintemodo(Conover,1999):
Ö =Üá
r + Üá ,
onderrepresentaonúmerodeelementosnaamostraeÜáaestatísticadequi-quadrado:
Üá =r}â −
r}.r.âr
á
r}.r.âr
~äãåçéèê
âët
~åíéìèê
}ët
.
De notar que este coeficiente varia entre 0 e 1, nunca alcançando o valor máximo, mesmo que as
variáveisestejamperfeitamentecorrelacionadas,umavezque:
0 ≤ Ö ≤ï − 1ï
,
ondeï = ñór(r|}~�ÄÅ, rÇÉ|Ñ~ÄÅ).
Ovalornuloéindicativodenãoexistênciaderelaçãoentreasvariáveis.
Caracterizaçãodoshábitosdee-commerce
18
CoeficientedecorrelaçãodeSpearman
OcoeficienteòdeSpearmanmedeaintensidadedarelaçãoentreduasvariáveismedidasnumaescala
pelomenosordinal,usandoparatalaordemdasobservações.Destemodo,estecoeficientenãoésensível
aassimetriasnadistribuição,nemàpresençadeoutliers,nãoexigindoportantoqueosdadossigamuma
distribuiçãonormal,nocasoemqueasvariáveisemestudosãoquantitativas.Estemétodorevela-seeficaz
emcasosemqueexistaumarelaçãocrescenteoudecrescenteentreasvariáveis.
PodemoscalcularocoeficientedeSpearmandaseguinteforma(Maroco,2007):
ò = 1 −6 ô}
á~}ët
rö − r ,
onderéonúmerodepares(h},õ})eô} representaasdiferençaexistententesentreasordensdosvalores
correspondentesde(h},õ}).
OcoeficienteρdeSpearmanvariaentre -1e1.Quantomaispróximoestiverdestesextremos,maior
será a associação entre as variáveis.O sinal negativo da correlação significa que as variáveis variam em
sentido contrário, isto é, que as categoriasmais elevadas de uma variável estão associadas a categorias
maisbaixasdaoutravariável.Osinalpositivoindicaqueasvariáveisvariamnomesmosentido.Umvalor
próximodezeroéindicativodenãoexistênciaderelaçãoentreasvariáveis.
2.2) AnálisedeCorrespondênciasMúltiplas
AAnálisedeCorrespondências(AC)éummétododeanálisemultivariadacomoobjetivodeestudara
dependência entre os indivíduos e as categorias das variáveis, representados através de uma tabela de
contigência.Estemétodobaseia-senadecomposiçãodoqui-quadradodecontingência,sendooestudoda
dependênciarealizadocombaseemrepresentaçõesgráficas(emquedoisindivíduosouduascategoriasse
assemelhamtantomaisquantomaispróximosestiveremumdooutro)eporparâmetrosnuméricosque
permitemfazerasuainterpretação.
Ao longo deste trabalho iremos abordar, em particular, o método da Análise de Correspondências
Múltiplas(ACM).AACMrepresentaummétododeanáliseestatísticadedadosmultivariados,quepermite
realizarcomparaçõesentreváriasvariáveisatravésdavisualizaçãoereduçãodedadoscontidosemtabelas
Caracterizaçãodoshábitosdee-commerce
19
degrandesdimensões.Utilizandoummétodofatorial,hierarquizaosdadosporordemdecrescentedograu
deexplicaçãodofenómenoemestudoeproduzvariáveiscompósitasqueresumemasrelaçõesexistentes
entreosatributosobservados(PestanaeGageiro,2003).
A Análise de Correspondências Múltiplas é uma generalização da AC para o caso de tabelas com
dimensãoigualousuperioratrês.Estatécnicaéespecialmenteadaptadaaotratamentodeumconjuntode
respostasdeuminquéritoporquestionário(noqualasperguntasrepresentamasvariáveis).
Poderemos resumir sumariamente as etapas da ACM em 3 grandes grupos: a quantificação das
categorias, a seleção das dimensões e a representação gráfica dasmedidas de discriminição e respetiva
interpretação.
Quantificaçãodascategorias
Numa primeira fase, e partir da matriz de input (matriz multidimensional na qual se dispõemr
indivíduos linhasdamatriz, caraterizadosporñvariáveis qualitativas – colunas), é criadaumamatriz de
presenças-ausências,matrizessaqueseráefetivamenteutilizadapeloalgoritmodaACM(Carvalho,2008).
Considerandoamatrizde inputsabemosqueascategoriasrepresentamosobjetosaelaassociadose,
porsuavez,osobjetossãocaraterizadosporpartilharemalgumascategorias.Estareciprocidadeintrínseca
à matriz é preservada no procedimento de transformação das categorias e dos objetos com o uso do
princípiodasmédiasrecíprocas.
Para cada categoria de uma variável regista-se a presença de diferentes objetos. As categorias das
variáveisefetuamumapartiçãoentreosobjetosdefinindosubgruposquesecaraterizamporpartilharem
certascategoriasdasdiferentesvariáveisemanálise.�Aquantificaçãodecadacategoriaé representativa
dos objetos que nela se inserem. Algebricamente a quantificação (ú) dasùcategorias dasñvariáveis é
dadapor(Carvalho,2008).
ú = ûüt. †°¢ (1)
onde:
ú:matrizdequantificaçõesdascategorias;�
û:matrizdefrequênciasdaspcategorias(númerototaldecategoriasemanálise);
†:matrizdepresenças-ausênciasdecadaobjetonascategorias;
¢:matrizdascoordenadasdosrobjetos.
Aexpressão(1)evidenciaqueaquantificaçãodascategorias (ú)é igualàmédiadascoordenadasdos
Caracterizaçãodoshábitosdee-commerce
20
objetos que nelas se inserem (†°¢), ponderada pela frequência de ocorrência das categorias, a qual é
retiradadamatriz.
Tal como definida¢, as coordenadas de cada objeto é proporcional à média das quantificações das
categorias(ú)associadasacadaobjeto,istoé:
¢ ≅ †. ú/§.
De modo a tornar estar proporcionalidade numa igualdade, bastará incluir um factor de
proporcionalidade,cujovalorinversoserádenominadoporinérica(•).Assim,temos
¢ = †. ú/§1•.
Seleçãodasdimensões
Comoobjectivoa reduzir adimensionalidadedosdados, será interessantepoder visualizarosperfis,
ainda que de forma aproximada, num espaço de poucas dimensões. Esta é a essência da Análise de
Correspondências: a identificação de subespaços de poucas dimensões (preferencialmente com três ou
menos)quecontenhamosperfis.Assim,épossívelprojetarnosubespaçomencionadoosperfiseobservar
asposiçõesdassuasprojeçõescomoumaaproximaçãoàssuasverdadeirasposiçõesnoespaçooriginalde
maiordimensionalidade.Namaioriadoscasosnecessitamosdepelomenosumplanoparaaproximarou
ajustaroespaçomultidimensionaldanuvemdeperfis.
Neste sentidoaACMéclassificadacomoummétodode reduçãodedados,pois submeteosdadosa
transformações matemáticas permitindo, assim, rever num espaço de menores dimensões a estrutura
multifacetadaerelacionaldoespaçodepartida.
Assim, o primeiro passo consiste em determinar o número de dimensões a reter para a construção
gráfica (e a partir das quais se vai basear a análise).�A importância de cada uma das dimensões para
explicaravariânciadosdadosdeinput,podeseranalisadaatravésdosvaloresprópriosedainércia.
Osvaloresprópriosquantificamavariânciaexplicadapordimensãoeécomumusar-seumcritériode
escolhadasdimensõescujovalorpróprioésuperiora1.Ainérciavariaentre0e1equantomaispertodo
limite superior mais variância é explicada por dimensão. Assim, a importância das dimensões está
hierarquizada e vai diminuindo. É habitual privilegiar um número pequeno de dimensões, nas quais se
registamosvaloresdeinérciamaiselevados.
Caracterizaçãodoshábitosdee-commerce
21
Éimportantenotarqueécomum,nocontextodaACM,queosvaloresdainérciaserembaixos,mesmo
paraasprimeirasdimensões.Benzécri(1982)afirmaqueapesardosvaloresdainércia(eporconsequência
avariânciaexplicada)serempotencialmentebaixos,nãosedevecessara interpretaçãodaanálise,sendo
queapoucarepresentatividadenuméricanãodeverásignificarfaltadequalidadenaanálise.Casoosperfis
individuaisnãoseafastemmuitodoperfilmédio,osvaloresdainérciaserãonaturalmentebaixos,porém
nãoperdemqualquertipoderelevâncianainterpretaçãoporessemotivo.
OmodelodeACMadmitenomáximo¶ − ßdimensões,onde¶éonúmerodecategoriaspresentesno
estudoeßéonúmerodevariáveissemvaloresomissos.Casotodasasvariáveispossuamvaloresomissos,
onúmeromáximodedimensõesédadopor¶ − 1.Écomestevalormáximodedimensõesquedeveráser
iniciadooestudo,passandoposteriormenteparaaseleçãodasdimensõesrelevantesparaomodelo.
Umavezdeterminadoonúmerodedimensõesareterécomumfazer-seadenominaçãodasdimensões
encontradas com base nos valores relevantes para a dimensão das mesmas resultantes da matriz de
discriminição.
Representaçãográfica
A representação gráfica das medidas de discriminação possibilita a observação da disposição das
múltiplas variáveis nos planos definidos e a avaliação da relevância de cada uma delas nas
dimensões.�Quantomaisafastadasestiveremasvariáveisdaorigemdográficoemaispróximasdeuma
única dimensão, maior é o indício da presença de dimensões que envolvem traços de caraterização
distintos. Por outro lado, variáveis próximas da origem correspondem a variáveis que não são
diferenciadorasparaasduasdimensõesconsideradasnesseplano.
A representação gráfica dos resultados da ACM permite visualizar no plano a nuvem de pontos das
categorias das variáveis, assim como a nuvem de pontos dos objetos caraterizados pelas variáveis em
causa.Anuvemdepontosdosobjetoséformadaapartirdoconjuntodosperfisdecadalinha.Damesma
forma,anuvemdepontosdascategoriaséformadaapartirdoconjuntodeperfisdecadacoluna.Apartir
daleituradoplanoépossívelaidentificaçãodeassociaçõesentrecategorias(proximidadedasprojeções).
Caracterizaçãodoshábitosdee-commerce
22
ArticulaçãodaAnálisedeCorrespondênciacomaAnálisedeClusters
AACMpermite,dispondoos indivíduosouascategoriasemplanos,visualizarasrelaçõesqueexistem
entreasmúltiplasvariáveisemestudo.Quandoexisteproximidadeentrecategoriasdediferentesvariáveis
éinduzidaapresençadeindivíduosquepartilhamtendencialmenteasmesmascaracterísticas,reflectindo
a presença de grupos com perfis diferentes. Aplicando a Análise de Clusters e conhecendo-se a
configuraçãotopologiadoespaçoemanáliseépossíveldefinirosgruposesaberopesodecadaumdeles
naamostra.
Paraalémdetodasascombinaçõesgráficasdimensionaispossíveis,aACMpermiteaindaadisposição
das coordenadas das variáveis de cada dimensão, sendo que os valores das coordenadas são utilizados
comovariáveisdeinput(quantitativas)naAnálisedeClusters.
Neste sentido, Carvalho (2008) refere “para efetuar a articulação ACM/Análise de Clusters usam-se
como variáveis de input as coordenadas dos objetos (indivíduos) nas dimensões que sustentamo plano
que,porsuavez,configuraosgruposquesepretendemviradefinir”(...)“podeassimver-senaarticulação
destesmétodosdeAnálisedeDadosumaestratégiapara,apartirdaconfiguraçãotopológica,sepassarà
definiçãodetipologias”.
Assim, o interesse da combinação dos dois métodos justifica-se uma vez que pode resultar num
aperfeiçoamento dos resultados da análise. Embora cada técnica possua particularidades e objetivos
específicosdepesquisa,aassociaçãodetécnicasdiferentesecomplementarespermiteorefinamentodas
soluçõeseconclusõesencontradas.
Caracterizaçãodoshábitosdee-commerce
23
2.3) AnáliseDiscriminante
AAnáliseDiscriminante(AD)éummétodoestatísticomultivariadocujautilizaçãovisa,genericamente,
identificar as características que distinguem os membros de um grupo dos de outro, de modo que,
conhecidasascaracterísticasdeumnovoindivíduo,sepossapreveraquegrupopertence.(Maroco,2007)
EstatécnicafoioriginalmentedesenvolvidanaBotânicatendoporobjectivofazeradistinçãodegrupos
deplantascombasenotamanhoenotipodefolhasoquetornariapossível,posteriormenteclassificaras
novasespéciesencontradas.Em1936,Fisherfoioresponsávelpelodesenvolvimentodaanáliseparadois
grupos.
Por via a escolher quais as variáveis que distinguem os grupos em análise, são criadas funções
discriminantes,provenientesdecombinações linearesdasvariáveis iniciais,quemaximizamasdiferenças
entreasmédiasdosgruposeminimizamasclassificaçõesincorrectasdoscasosnosgrupos.
UmdosmétodosutilizadosparadescobrirasvariáveisquediscriminamosgruposéaestatísticaΛde
Wilks,quesetratadeumamedidainversadograudediferenciaçãoentreosgrupos:quantomenoroseu
valor,maiorograudediferenciaçãoentreestes.Estaestatisticaédadapor(Maroco,2007):
� =®© =
®™ +® ,
onde ® representa a medida da variabilidade dentro dos grupos, ™ representa a medida da
variabilidadeentreosgrupose © amedidadavariabilidadetotal.Quantomaiorforasemelhançaentreos
doisdeterminantes,menoresserãoasdiferençasentreosgruposemaispróximooLambdadeWilksestará
de1.
A função discriminante linear ou de Fisher permite caracterizar cada um dos grupos através de uma
combinaçãolineardasvariáveisiniciais,permitindoverificarquaisasvariáveismaisimportantesparacada
umdosgrupos,eassimdeterminaraexistênciadediferençasounãoentregrupos.Destemodoépossível
caracterizarcadaumdos{gruposdaseguinteforma:
†´v = •}vߨ≠} + •âvߨ≠â + ⋯+ •~vߨ≠~
Caracterizaçãodoshábitosdee-commerce
24
2.4) RegressãoLogística
ARegressãoLogística(RL)éummodeloparticulardaclassedosModelosLinearesGeneralizados(GLM)
nosquaisavariáveldependenteédicotómicaeondefunçãode ligaçãoédotipo logit.Àsemelhançade
outrosGLM,oobjetivodaregressãologisticaéexplorararelaçãoentreumaoumaisvariáveisexplicativas
(ouindependentes)eumavariávelresposta(oudependente).
Assim,aformulaçãodomodeloderegressãologísticaédadapor(Homer&Lesmeshow,2000):
Ø h =∞±≤≥±¥µ≥⋯≥±∂µ
1 + ∞±≤≥±¥µ≥⋯≥±∂µ,
ondeosparâmetros∑s, ∑t, … , ∑v sãoestimadospelométododemáximaverosimilhança.
Utilizandoaspropriedadesalgébricasdafunçãoanteriorefazendo,atransformaçãologaritmica:
π h = lnØ h
1 − Ø h,
temosafunçãologísticalinearizada(oufunçãologitdeprobabilidade)
π h = ∑s + ∑th + ⋯+ ∑vh,
ondeπ h ∈ ℝ.
Uma das primeiras etapas a realizar no uso regressão logística passa por determinar o modelo que
melhor se ajusta aos dados em análise, com o intuito de se obter ummodelo que permita descrever a
relaçãoentreavariávelresultadoeumconjuntodevariáveisindependentes(Braga,1994).Nestesentido,
há que determinar quais as variáveis que são relevantes para omodelo de regressão logística (Maroco,
2007:703-705).
Quando são cumpridos os pressupostos geralmente associados aos GLM, nomeadamente dada a
estrutura aleatória dos dados, a selecção das variáveis significativas para omodelo é feita combase no
testedeWaldouotestedarazãodeverosimilhança(HomereLesmeshow,2000).
NocasodaviolaçãodepressupostosbasedospressupostosdosGLM(Maroco,2007:685-703).éainda
mais importante a validaçãodomodelo, utilizando comomedidaaqualidadedoajustamentoeopoder
discriminante domodelo. Assim, demodo a avaliar o poder discriminante de ummodelo de regressão
logística,utiliza-seacurvaROC,gráficonoqual,oeixoverticalapresentaapercentagemdosverdadeiro-
positivo(asensibilidade)enoeixohorizontalapresentaosverdadeiros-negativos(especificidade).Acurva
Caracterizaçãodoshábitosdee-commerce
25
ROC pode ser feita por meio de um gráfico, que permite estudar a os valores da sensibilidade e
especificidade,paradiferentesvaloresdecorte.Asensibilidadeédefinidacomoapercentagemdecasos
que omodelo forneceu um resultado verdadeiro-positivo, enquanto a especificidade é definida como a
percentagem de vezes que o modelo forneceu um verdadeiro-negativo. Deste modo e aplicando estas
métricasaosdadosiniciais,poderemosobterumapercepçãodaqualidadedoajustamento.
OutroindicadorimportanteédadopelacurvaROCéaáreaabaixodacurva(AUC).Combasenestevalor
épossíveldeterminaroquãodiscriminativoéomodeloencontrado.Épossível interpretarosvaloresde
AUCcombasenaTabela3(Maroco,2007).
Tabela3:PoderdiscriminativodomodeloderegressãologísticacombasenaáreaabaixodacurvaROC
ÁreaROC(AUC) Poderdiscriminativo
0,5 Sempoderdiscriminativo
]0,5;0,7[ Discriminaçãofraca
[0,7;0,8[ Discriminaçãoaceitável
[0,8;0,9[ Discriminaçãoboa
≥0,9 Discriminaçãoexcepcional
Atravésdosvaloresdoscoeficientesdomodeloderegressão logísticaobtidos,éaindapossível retirar
conclusõessobreascategoriasdavariáveldependente.Esta interpretaçãoéefectuadaatravésdocálculo
da razão das chances (odds ratio), isto é a razão entre a possibilidade de pertencer a uma categoria da
variável dependente face a outra. Desta forma, pretendemos comparar se a possibilidade de um
determinadoeventoéamesmaparadoisgrupos.Paraummodeloderegressãologística,seminterações
entreasvariáveis independentes,paraumadadavariávelooddsratioédadopor(Homer&Lesmeshow,
2000):
Ω´ = ∞±.
Caracterizaçãodoshábitosdee-commerce
26
3) Metodologia
Depois da revisão da literatura sobre o aparecimento e evolução do e-commerce, assim como dos
principais modelos estatísticos que serão utilizados no decorrer deste trabalho, inicia-se este terceiro
capítulo comaapresentaçãodametodologiadoestudo:ashipótesesqueconduziramaeste trabalho,a
caraterizaçãodouniverso,adefiniçãodaamostraeosprocedimentosparaaconstruçãodoquestionárioe
recolhadosdados.
3.1) HipótesesTeóricasemEstudo
Arealizaçãodesteestudovisacompreenderoshábitosdeconsumoonline, sendoqueparatal, foram
formuladasasseguinteshipótesesquesepretendemserestudadas:
Hipótese1)Nãoexistemdiferençasentregénerosnoquedizrespeitoacomprar(ounão)online;
Hipótese2)Existemdiferençasentreosprodutoscompradosporhomensepormulheres;
Hipótese3)Existemdiferençasentreosserviçosquehomensemulheresaderemonline;
Hipótese4)Asinquiridasdosexofemininotemmaiortendênciaacomprarporimpulsorelativamente
aoshomens;
Hipótese5)Existemdiferençasentreasvantagensdacompraonlineidentificadasporcompradorese
nãocompradores;
Hipótese6)Existemdiferençasentreasvantagensdacompraonlineidentificadasporhomense
mulheres;
Hipótese7)Existemdiferençasentreasdesvantagensdacompraonlineidentificadasporcompradores
enãocompradores;
Hipótese8)Existemdiferençasentreasdesvantagensdacompraonlineidentificadasporhomense
mulheres;
Hipótese9)Existemdiferençasentreosmeiosdecomunicaçãodigitalpreferidosporhomense
mulheres;
Hipótese10)Existemdiferençasentreosmeiosdecomunicaçãodigitalpreferidosporcompradorese
nãocompradores;
Paraalémdashipótesesformuladasserãoabordadasoutrasquestões,colocadasaolongodoinquérito,
porviaapercebermelhorosperfisdeconsumodaamostraemestudo.
Caracterizaçãodoshábitosdee-commerce
27
3.2) CaracterizaçãodoUniversodoestudoedefiniçãodaamostra
SegundoHilleHill (2002),aoconjuntototaldoscasos(conjuntodeentidadesquefornecemdadosna
formadeobservaçõesoumedidasdos valoresdeumaou várias variáveis) sobreosquais sepretendem
retirarconclusõesdá-seonomedePopulaçãoouUniverso.Umaamostraéumsubconjuntodeindivíduos
da população, que se analisa com o objetivo de retirar conclusões sobre essa população de onde foi
recolhida(HilleHill,2002).Comoveremos,aolongodesteestudo,nemsempreépossívelinferirresultados
para a população, devido à não representatividade da amostra em causa, o que pode enviesar as
conclusões.Nessescasosaanálisedeve-selimitar-seàinterpretaçãodosresultadosdogrupoconcretodos
indivíduosinquiridos.
Osprocessosaadotarnarecolhadaamostraagrupam-seessencialmenteemduascategorias(Vicente
etal. 2001): aleatóriosouprobabilísticos–quando cada indivíduodapopulação temumaprobabilidade
conhecidadefazerpartedaamostra;nãoaleatóriosoudirigidos–quandoháindivíduosdapopulaçãoque
nãotêmpossibilidadesdeserescolhidos.Aopçãoporumprocessodeamostragemprobabilísticocareceda
necessidadeexistênciadeumabasedeamostragem,ouseja,umalistagemdatotalidadedosindivíduosou
unidadesamostraisdapopulação.
Nestetrabalhoouniversoemestudoéconstituídopelos utilizadoresda internet,compelomenos18
anos. A dimensão desta população é desconhecida e, consequentemente, não existe uma base de
amostragemdamesma.Assimsendo,paraarecolhadaamostraoptou-seporumprocessodeamostragem
nãoprobabilístico.Tendoemcontaoobjetivodoestudoeosmeiosdisponíveis,optou-sepeloprocessode
amostragem bola de neve. Esta técnica é, tipicamente, utilizada em populações raras, de dimensão
desconhecidaoucujosmembrosnãosãopossíveisdeidentificar(Coleman,1958;Goodman,1961;Spreen,
1992).Baseia-senaescolha,porconveniênciaounão,deumconjunto inicialde indivíduosdapopulação
aos quais é pedida a participação no estudo e ainda que estes estimulem a participação no estudo de
indivíduosdouniversoporsiescolhidos.Aanalogiacomaboladeneveé facilmentecompreendidauma
vezqueoexpectável équedesdeomomentoemqueoestudoé lançadopeloutilizador, onúmerode
participantescresçaacadaiteração.Apesardafacilidadecomquepermiteadivulgaçãodoquestionário,a
amostragem em bola de neve pode apresentar constrangimentos ao nível da representatividade e
enviesamentodaamostra:os inquiridostêmtendênciaapartilharoestudocomamigosoupessoasmais
próximas, o que poderá conduzir a uma amostra cujos elementos possuem uma certa homogeneidade
entresi,compartilhandotraçosecaracterísticas,podendoaté levaraamostraaserapenasumsubgrupo
específicodouniversodeestudo(FaugiereSargeant,1997).
Caracterizaçãodoshábitosdee-commerce
28
3.3) ConstruçãodoQuestionárioeRecolhadaInformação
UmquestionárioédefinidoporHilleHill (2002)comoumatécnicade investigaçãocompostaporum
número grande ou pequeno de questões apresentadas por escrito que tem por objetivo propiciar
determinado conhecimento ao pesquisador; é um processo rigoroso e dele dependem a medição das
variáveisdainvestigação
Segundo Hoz (1985) é um instrumento para recolha de dados constituído por um conjuntomais ou
menosamplodeperguntasequestõesqueseconsideramrelevantesdeacordocomascaracterísticasea
dimensãodoquesedesejaobservar.
Oencadeamentometodológico sobreoqual foi construídooquestionário (representadonaFigura2,
que tem como principal “pergunta-chave”: “Costuma realizar compras Online?” permitiu definir um
caminho distinto conforme a resposta dos utilizadores, tentando explorar as razões que os levam a
comprarounãoonline,estudandoparaambososgruposquaisassuasmotivações,asvantagensereceios
aocompraronlineassimcomooutrosaspetosrelacionadoscomosseushábitosdeconsumo.
Noperíododeconceçãodoquestionárioforamaplicadasduasversõespreliminaresdomesmo,auma
amostradeindivíduos,comoobjetivodeidentificarpossíveisasquestõesquecareciamdereformulação.
Combasenoscomentáriosobtidos,foielaboradaaversãofinalqueseapresentanoAnexo1.
Recorreu-se à ferramenta de FormuláriosdoGoogle Drive para construir o questionário em formato
eletrónico demodo a que fosse, por um lado, facilmente partilhável e inteligível e, por outro lado, um
métodosimplesefiáveldeintegraçãodosdados,diminuindoassimoserrosdecompilaçãopeloutilizador.
Esta ferramenta foi tambémbastante importanteparaadiminuiçãodoserrosporpartedosutilizadores,
impedindo, por exemplo que utilizadores que não costumam realizar compras online respondessem a
questõesdestinadasapenasaosquetêmessehábito.Umavezqueosmétodosescolhidosparapartilhado
questionárioforamoemaileredessociais,todososindivíduosquenãoutilizemestetipodeferramentas
foramautomaticamenteexcluídosdoestudo.
Apósarecolhadaamostra,acodificaçãodosdadoseposteriortratamentoestatísticoforamrealizados
nosprogramasExcel,IBMSPSSStatistics,versão22,eRProject.
Caracterizaçãodoshábitosdee-commerce
29
Figura2:Fluxodoquestionárioaplicado
Caracterizaçãosociodemográfica
Costumarealizarcomprasonline?
Caracterizaçãodaexperiênciaonlinedosutilizadores
Oquecompra,quandocompra,quantasvezescompra… Porquenãocompra?
SegurançanascomprasOnline
Preferências
Sim Não
Caracterizaçãodoshábitosdee-commerce
30
4) ApresentaçãoeDiscussãodosResultados
Nestecapítulopretende-secaracterizaroshábitosdee-commercedosinquiridos,apresentandoparatal
os resultadoseaanálisedos resultadosao inquéritoaplicado.Seguindoaordemnaturaldo inquérito,é
efetuadaumaanálisedescritivadosdados,sendoestudadascadaumadashipótesescolocadasdeacordo
com os métodos de se considerarammais relevantes. Para os temas relacionados com as vantagens e
desvantagensdacompraonlineassimcomodosmeiosdepublicidademaiseficazes,serãoexploradastrês
abordagens distintas (Análise de Correspondências Múltiplas, Análise Discriminante com particular
incidência na função de Fisher e Regressão Logística) com o objetivo de comparar os resultados e as
variáveisescolhidasentreosváriosmétodos.
4.1) Análisesociodemográficadaamostra
Participaramnoestudo400indivíduos,residentesem14dos18distritosdePortugal,sendoodistrito
maisrepresentadoLisboa(34,8%),seguidodeÉvora(33,5%)eSetúbal(8,3%)-Figura3.
Figura3:PercentagemdeindividuosdaamostradivididospelosdistritosdePortugal
34,8%
33,5% 8,3%
4,5%
3,8%
3,5% 3,0%
2,5%
2,3%
1,5%
1,0%
0,5%
0,5% 0,5%
0% 0%
0%
0%
Caracterizaçãodoshábitosdee-commerce
31
Gráfico3:Sexodosinquiridos
A amostra é constituída por indivíduos entre os 18 e os 71 anos, sendo amaioria do sexo feminino
(Gráfico 3). Os homens do estudo apresentam uma idademédia (h =31,6 anos; s= 9,8) superior à das
mulheres(h =30,8anos;s=11,4).Paraambosossexosobserva-seumaassimetriapositivanadistribuição
das idades, indicando assim uma maior frequência de inquiridos com idades mais jovens (Gráfico 4).
Observa-se ainda a existência de outliers moderados superiores quer na distribuição das idades dos
homensquernadasmulhereseaindaumoutlierseveronoshomens.
Gráfico4:Caixadebigodesidadeporsexo
42%
58%
Masculino Feminino
42%
58%
Masculino Feminino
42%
58%
Masculino Feminino
Caracterizaçãodoshábitosdee-commerce
32
Porconveniênciadetratamentodosdadosfoi feitaumacategorizaçãodavariável idadeem4classes,
emfunçãodasuafamiliaridadecomainternet:
• Jovens-adultos [18; 26[: faixa etária que se caracteriza pela entrada na vida adulta e a que
geralmente corresponde ummenor poder financeiro,mas a que está também associado um
maior conhecimento informático, uma vezque esta é uma geração nativa em questões
relacionadascomaInternet;
• Adultos[26;41[:faixaetáriaquecorrespondeaumageraçãoquecresceuemparelalelocomo
mundoinformáticoequepossuimaiorpoderdecomprafaceaosjovens-adultos;
• Adultos Maduros [41; 65[: representantes de uma geração que apenas contactou com a
Internetnavidaadulta;
• Séniores [65;+∞[:faixaetáriaquerepresentaos indivíduosquedurantegrandepartedasua
vidaadultanãotiveramacessoàInternet.
Na amostra em estudo, predominam os adultos e somente 1% tem 65 ou mais anos, ou seja, são
séniores (Gráfico 5). É aindapossível verificarqueentre asmulheres apercentagemde jovem-adultasé
semelhanteàdasadultas,enquantoentreoshomenspredominamosadultos.
Gráfico5:Distribuiçãodosindivíduosnasclassesdeidade,porsexo
0.0%
20.0%
40.0%
60.0%
80.0%
18)25 26)40 41)64 +,65
Masculino Feminino
Caracterizaçãodoshábitosdee-commerce
33
Mais de 75% dos inquiridos possui grau de instrução universitária (Licenciatura, Mestrado ou
Doutoramento),oquedenota jánesta fasealgunsproblemasassociadosà representatividadedosdados
porviadaopçãotomadafaceaométododeamostragemutilizado:deacordocomosCENSOS2011,apenas
11,9%dosPortuguesestemformaçãosuperior.
Gráfico6:Distribuiçãodosindivíduosporgraudeinstrução
Cercade66,8%dosinquiridos(267indivíduos)sãosolteiros,30,0%sãocasadosouvivememuniãode
facto,2,5%sãodivorciadoseosrestantesviúvos.Amaioria (75,0%)dos inquiridosnãotemfilhos,sendo
que14,8%temumfilho,8,0%tem2filhoseapenas2,3%tem3filhosoumais.
4.2) ExperiênciaOnlinedosInquiridos
Umadasquestõescolocadasaosinquiridosfoiacercadasuaauto-perceçãodoquãoàvontadeestavam
como uso da internet, sendo que 89% deram a si próprios uma avaliação positiva (nota 6 ou superior,
numaescalaonde1representavautilizadores“nadaàvontade”e10utilizadores“totalmenteàvontade”).
Este valor tão expressivo pode ser explicável pela frequência de utilização da internet por parte dos
inquiridos:97,5%afirmouutilizarainternettodososdiasoumesmoconstantemente.
DaanálisedaTabela4verifica-sequecercade3emcada4 inquiridos (72%)respondeuquecostuma
realizar comprasonline, sendoqueentreoshomensaproporçãodosque compramonlineé superior à
observadaentreasmulheres(85,1%contra62,9%).Estaassociaçãoentreocomprarounãoonlineeosexo
éfraca(Phi=0,245;C=0,238).
01%
24%
43%
30%
02%
0%
10%
20%
30%
40%
50%
5º)ao)9º)ano 10º)ao)12º)ano Licenciatura Mestrado Doutoramento
Caracterizaçãodoshábitosdee-commerce
34
Tabela4:Hábitodecompraronlineporsexo
Sexo
TotalFeminino Masculino
CostumarealizarcomprasOnline?
Não 86 25 111
Sim 146 143 289Total 232 168 400
Verifica-se que existe também uma associação fraca entre o comprar ou não online e a região de
residência dos inquiridos (Phi = 0,277), sendo na região de Lisboa aquela onde se regista uma maior
diferença entre a proporção de compradores e a de não compradores, comparativamente às restantes
regiões.
Considerando a percentagem de inquiridos que costuma realizar compras online por grau de
habilitaçõesacadémicas,observa-sequeexisteumaassociaçãopositivaforteentreestasduasvariáveis(ρ
=0,90;Gráfico7),oqueindicaquequantomaiorograudehabilitaçõesacadémicasdosindivíduosmaioré
aproporçãodeinquiridosquecostumaefetuarcomprasonline.
Gráfico7:Gráficodedispersãodapercentagemdeindividuosquecompraonlineemfunçãodograude
instrução
Caracterizaçãodoshábitosdee-commerce
35
Tendo em conta a variável idade categorizada, da forma já referida anteriormente, foram os
jovens-adultosinquiridososquemaiscompraramonline,tendo84,8%delesreferidotercompradoonline
(Gráfico 8), seguindo-se os jovens tendo 65,0% deles já feito transações online. Estas percentagens são
explicadasporsetrataremdefaixasjovensdapopulação,maishabituadasaummundodigital.Tambémé
natural pensar-se que por via de ummaior poder de compra emaior independência os inquiridos com
idadeentre26e39anoscompremmaisqueosinquiridoscomidadeigualainferiora25anos.
Gráfico8:Percentagemdecompradoresonlineemcadaclasseetária
4.3) CompradoresOnline
Nesta secção serão apenas tidos em consideração os indivíduos que responderam “Sim” à questão
“Costumarealizarcomprasonline?”,ouseja,72%dosinquiridos
Talcomoditaosensocomum,oestudoreveloudiferençasclarasentreoshábitosdecompraonlineentre
osinquiridosporsexo.Àprimeiravista,éfácilverificarqueoshomenstêmumaapetênciamuitomaisforte
por comprar produtos relacionados com tecnologia, enquanto asmulheres se diferenciam por comprar
maisroupaeacessóriospessoais(Gráfico9).
65%
85%
49%
33%
0%
20%
40%
60%
80%
100%
Jovens1adultos Adultos Adultos8Maduros Séniores
Caracterizaçãodoshábitosdee-commerce
36
Gráfico9:Produtoscompradospormulheresehomens
Por formaacompletaraanálisedahipótese2 (“Existemdiferençasentreosprodutoscompradospor
homensepormulheres”),iremosrealizarumaanálisemultivariadadosprodutosadquiridosonline.Serão
usadas três técnicas diferentes (a Análise de Correspondências Múltipla, a Análise Discriminante e a
RegressãoLogística)comoobjectivodeilustrarasdiferenças/semelhançasentreestastécnicas.
Análisedecorrespondênciasmúltiplas:
Recorremos à ACM para realizar uma análise conjunta dos produtos comprados online, na
averiguar diferenças entre géneros. Começou-se por se definir o númeromáximo de dimensões
permitem representar este conjunto de dados, i.e., 14 (Anexo 2). Em função dos resultados
seporconjugarodecaimentodosvalorespróprios(
Gráfico10)edaanálisedasmedidasdediscriminaçãoobtidas(Tabela5)parafazeraseleçãodonúmero
dedimensõesparaomodelo.Atravésdestesmétodos foramseleccionadas4dimensões,umavezquea
partir da 5ª dimensão, as variáveis relevantes para cada dimensãonão adicionamnadade novo face às
anteriores.Assim,omodeloescolhidorepresenta41,0%davariânciatotaldasvariáveis.
0%20%40%60%80%100%
Bilhetes/para/Concertos/Espétaculos
Acessórios/Pessoais/(Relógios
Automóvel/ou/outro/veículo/motorizado
Brinquedos
Livros
Experiências///Vouchers
Filmes/Séries
Roupa
Tecnologia
Produtos/para/o/Lar/e/Decoração
Brinquedos
Refeições
Viagens
Supermercado
Outros
Sexo/Feminino
0% 20% 40% 60% 80% 100%
Sexo/Masculino
0%20%40%60%80%100%
Bilhetes/para/Concertos/Espétaculos
Acessórios/Pessoais/(Relógios
Automóvel/ou/outro/veículo/motorizado
Brinquedos
Livros
Experiências///Vouchers
Filmes/Séries
Roupa
Tecnologia
Produtos/para/o/Lar/e/Decoração
Brinquedos
Refeições
Viagens
Supermercado
Outros
Sexo/Feminino
0% 20% 40% 60% 80% 100%
Sexo/Masculino
Caracterizaçãodoshábitosdee-commerce
37
Gráfico10:Representaçãodavariânciadasdimensõesassociadasaosprodutoscompradosonline
Tabela5:Medidasdediscriminaçãoassociadasaosprodutoscompradosonline
Dimension
Mean1 2 3 4
BilhetesparaConcertos/Espétaculos 0,340 0,147 0,001 0,012 0,125AcessóriosPessoais(Relógios,Malas,Perfumes…,) 0,131 0,211 0,278 0,000 0,155Automóvelououtroveículomotorizado 0,015 0,008 0,001 0,045 0,017Brinquedos 0,286 0,048 0,036 0,116 0,121Livros 0,066 0,137 0,272 0,021 0,124Experiências/Vouchers 0,292 0,244 0,093 0,008 0,159Filmes/Séries 0,150 0,032 0,293 0,001 0,119Roupa 0,101 0,244 0,231 0,021 0,149Tecnologia 0,202 0,020 0,033 0,293 0,137ProdutosparaoLareDecoração 0,376 0,075 0,023 0,038 0,128Refeições 0,339 0,009 0,001 0,182 0,133Viagens 0,323 0,271 0,000 0,003 0,149Supermercado 0,275 0,003 0,018 0,308 0,151Outros 0,016 0,014 0,000 0,088 0,030Sexoa 0,028 0,009 0,109 0,017 0,041ActiveTotal 2,911 1,464 1,280 1,135 1,697%ofVariance 20,793 10,454 9,142 8,106 12,124
0 1 2 3
123456789
1011121314
Caracterizaçãodoshábitosdee-commerce
38
Combasenosvaloresdasmedidasdediscriminiçãoeconsiderandoasvariáveisquemaiscontribuem
paraaconstruçãodecadaumadasdimensões,passaremosadenominarcadaumadasdestasdoseguinte
modo:
• Dimensão 1: “Generalistas” (produtos: “Bilhetes para Concertos/Espétaculos”, “Brinquedos”,
“Experiências/Vouchers”,“Tecnologia”,“ProdutosparaoLareDecoração”,“Refeições”,“Viagens”
e“Supermercado”)
• Dimensão2:“Actividadesemoda”(produtos:“AcessóriosPessoais(Relógios,Malas,Perfumes...)”,
“Experiências/Vouchers”,“Roupa”e“Viagens”)
• Dimensão 3: “Lazer e moda” (produtos: “Acessórios Pessoais (Relógios, Malas, Perfumes...)”,
“Livros”,“Filmes/Séries”e“Roupa”)
• Dimensão4:“Tecnologiaesupermercado”(produtos:“Tecnologia”e“Supermercado”)
AtravésTabela5,podemosaindaverificarqueovaloresdasmedidasdediscriminaçãodavariávelsexo,
dadimensão3nãoétãopróximodezero,oqueindiciaquepodemexistirdediferençasentreosprodutos
compradosonlineentregéneros.
NaTabela6apresenta-seaformacomoascategoriasdasváriasvariáveismaisrelevantesparacadauma
dasdimensõesseposicionamnosdoiseixosdasmesmas.
Caracterizaçãodoshábitosdee-commerce
39
Tabela6:PosicionamentodasvariáveismaisrelevantesparaaACMdosprodutoscompradosonline
Quantificaçõesnegativas Quantificaçõespositivas
Generalistas
(Dimensão1)
BilhetesparaConcertos/Espétaculos_Não
Brinquedos_Não
Experiências/Vouchers_Não
Tecnologia_Não
ProdutosparaoLareDecoração_Não
Refeições_Não
Viagens_Não
Supermercado_Não
BilhetesparaConcertos/Espétaculos_Sim
Brinquedos_Sim
Experiências/Vouchers_Sim
Tecnologia_Sim
ProdutosparaoLareDecoração_Sim
Refeições_Sim
Viagens_Sim
Supermercado_Sim
Actividadesemoda
(Dimensão2)
AcessóriosPessoais(Relógios,Malas,
Perfumes...)_Sim
Experiências/Vouchers_Não
Roupa_Sim
Viagens_Não
AcessóriosPessoais(Relógios,Malas,
Perfumes...)_Não
Experiências/Vouchers_Sim
Roupa_Não
Viagens_Sim
Lazeremoda
(Dimensão3)
AcessóriosPessoais(Relógios,Malas,
Perfumes...)_Sim
Livros_Não
Filmes/Séries_Não
Roupa_Sim
AcessóriosPessoais(Relógios,Malas,
Perfumes...)_Não
Livros_Sim
Filmes/Séries_Sim
Roupa_Não
Tecnologiae
supermercado
(Dimensão4)
Tecnologia_Não
Supermercado_Não
Tecnologia_Sim
Supermercado_Sim
Assim, verifica-sequeadimensãoGeneralista associaos indivíduosqueprocedemde igualmodoà
compra online de Bilhetes para Concertos/Espétaculos, Brinquedos, Acessórios Pessoais, Experiências /
Vouchers,Tecnologia,ProdutosparaoLareDecoração,Refeições,ViagenseSupermercado.
A dimensão de Actividades e moda caracteriza-se por associar os indivíduos que são opostos
relativamente a comprar online produtosmais relacionados com actividades (Experiências / Vouchers e
Viagens)aosindivíduosquecompramprodutosrelacionadosmodapessoal(AcessóriosPessoais(Relógios,
Malas,Perfumes...)eRoupa).
Caracterizaçãodoshábitosdee-commerce
40
AdimensãodeLazeremodacaracteriza-seporassociarosindivíduosquesãoopostosrelativamentea
compraronlineprodutosmaisrelacionadoscommoda(AcessóriosPessoais(Relógios,Malas,Perfumes...)e
Roupa)aosindivíduosquecompramprodutosrelacionadoscomlazer(LivroseFilmes/Séries).
A dimensão de Tecnologia e supermercado caracteriza-se por associar os indivíduos que são
concordamrelativamenteacompraronlinetecnologiaeprodutosdesupermercado.
Gráfico11:CoordenadasdoscentroidesdaACMparaosprodutoscompradosOnline:Dimensão1vsDimensão2
Gráfico12:CoordenadasdoscentroidesdaACMparaosprodutoscompradosOnline:Dimensão2vsDimensão3
N
SN
SN
SNS
N
N
SN
S
N
S
NS
N
SN
S
N
SN SN
SFem Masc
N S
N
SN SN
S
N
SN
SN
SN
S NS N
S N SN SNS
NSFem
MascBilhetes(para(Concertos/Espétaculos
Bilhetes(para(Concertos/EspétaculosAcessórios(Pessoais((Relógios
Acessórios(Pessoais((RelógiosAutomóvel(ou(outro(veículo(
motorizado Automóvel(ou(outro(veículo(motorizado
Brinquedos
Brinquedos
Livros
Experiências( /(Vouchers
Experiências( /(Vouchers
Filmes/Séries
Filmes/Séries
Roupa
Roupa
TecnologiaTecnologia
N
Produtos(para(o(Lar(e(Decoração
NRefeições
Viagens
S
N SupermercadoN
Outros
SexoMasc
Bilhetes(para(Concertos/Espétaculos Acessórios(Pessoais((Relógios Automóvel(ou(outro(veículo(motorizado
Brinquedos Livros Experiências( /(Vouchers
Filmes/Séries Roupa Tecnologia
Produtos(para(o(Lar(e(Decoração Refeições Viagens
Supermercado Outros Sexo
Perfil1Perfil2
Perfil3Perfil4
Caracterizaçãodoshábitosdee-commerce
41
Daanálisedosgráficoscomarepresentaçãodoespaçodosprodutos(Gráfico11-Gráfico13),tendoem
contaasvariáveisquemaisdiscriminamasrespectivasdimensões,parecemexistir5perfisde
compradores:
1) Indivíduosquecompramonlinequasetodootipodeprodutos;
2) Indivíduosquecompramonlineprodutosnãodiferenciados;
3) Indivíduosquecompramessencialmenteosprodutosassociadosàsactividades;
4) Indivíduosquecompramprodutosdaáreadamoda;
5) Indivíduosquecompramprodutosligadosàáreadatecnologiaeaudiovisualenãocompram
produtosassociadosàmoda.
NS NS N
S
N
S
NSN
SN SNS
N
SNS N
S
NSN
S
N
S
Fem
MascBilhetes(para(
Concertos/Espétaculos
Bilhetes(para(Concertos/EspétaculosAcessórios(Pessoais((Relógios
Acessórios(Pessoais((RelógiosAutomóvel(ou(outro(veículo(
motorizado Automóvel(ou(outro(veículo(motorizado
Brinquedos
Brinquedos
Livros
Experiências( /(Vouchers
Experiências( /(Vouchers
Filmes/Séries
Filmes/Séries
Roupa
Roupa
TecnologiaTecnologia
N
Produtos(para(o(Lar(e(Decoração
NRefeições
Viagens
S
N SupermercadoN
Outros
SexoMasc
Bilhetes(para(Concertos/Espétaculos Acessórios(Pessoais((Relógios Automóvel(ou(outro(veículo(motorizado
Brinquedos Livros Experiências( /(Vouchers
Filmes/Séries Roupa Tecnologia
Produtos(para(o(Lar(e(Decoração Refeições Viagens
Supermercado Outros Sexo
Gráfico13:CoordenadasdoscentroidesdaACMparaosprodutoscompradosOnline:Dimensão3vsDimensão4
Perfil5
Caracterizaçãodoshábitosdee-commerce
42
Destaca-seaindaqueacoordenadaassociadaaosexomasculinoestámaispróximadosperfis2e5,o
que indicaquepodemexistiralgumasdiferençasentreoshomenseasmulheresnoquedizrespeitoaos
produtoscompradosonline.
Posteriomente, realizou-se uma análise de clusters das coordenadas dos indivíduos nas dimensões
retidas de modo a identificar grupos que correspondessem aos perfis encontrados. Numa fase inicial
optou-sepelaanálisedeclustershierárquicaparavalidarseonúmerodegruposcorrespondiaaonúmero
deperfis,edeseguida,realizou-seumaanálisedeclustersnãohierárquicaqueoptimizaadistânciadecada
individuoaocentroide.
Gráfico14:Coeficientesdefusãodaanálisedeclustersassociadaaosprodutoscompradosonline–critériovizinhomaisafastado
Daanálisedográficodoscoeficientesdefusão,econsiderandoqueexistemexisteumamudançade
decliveno5ºagrupamento,conclui-sequeindicaçõesdadaspeloscomarepresentaçãodoespaçodos
produtosquetambémaquiháumaindicaçãoparaqueexistam5gruposdeindivíduos,cujasprincipais
característicassão(Tabela7):
• Ogrupo1(15%doscompradores)écompostopelosindivíduosquecompramquasetodootipo
de produtos e se dividem na compra dos brinquedos e dos filmes/séries. Este grupo é
maioritariamentecompostoporhomens;
• O grupo 2 (24% dos compradores) identifica o segmento dos compradores de produtos não
diferenciadosequesedividemnacompradeprodutosdemoda;
• Ogrupo3(22%doscompradores)refereumsegmentomaisconsumidordeatividades;
0
5
10
15
20
25
30
35
40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Coeficientes4de4fu
são
Número4 de4grupos
Caracterizaçãodoshábitosdee-commerce
43
• O grupo 4 (22% dos compradores) representa o segmento dos consumidores de produtos
ligadosàmoda;
• O grupo 5 (17% dos compradores) representa um segmento de compradores de tecnologia,
sendonasuageneralidadeconstituídoporhomens.
Tabela7:Caracterizaçãodos2gruposidentificados,relativamenteaosàsvantagensdacompraonlineidentificadaspelosinquiridos.
Categoria Grupo1 Grupo2 Grupo3 Grupo4 Grupo5 Total
BilhetesparaConcertos/Espétaculos
Não 4,5% 73,5% 22,2% 25,0% 28,0% 33,2%Sim 95,5% 26,5% 77,8% 75,0% 72,0% 66,8%
AcessóriosPessoais(Relógios
Não 29,5% 45,6% 61,9% 6,3% 76,0% 43,3%Sim 70,5% 54,4% 38,1% 93,8% 24,0% 56,7%
Automóvelououtroveículomotorizado
Não 84,1% 92,6% 92,1% 96,9% 100,0% 93,4%Sim 15,9% 7,4% 7,9% 3,1% 0,0% 6,6%
BrinquedosNão 47,7% 98,5% 93,7% 56,3% 64,0% 74,4%Sim 52,3% 1,5% 6,3% 43,8% 36,0% 25,6%
LivrosNão 4,5% 17,6% 68,3% 31,3% 12,0% 28,7%Sim 95,5% 82,4% 31,7% 68,8% 88,0% 71,3%
Experiências/VouchersNão 31,8% 97,1% 25,4% 42,2% 76,0% 55,7%Sim 68,2% 2,9% 74,6% 57,8% 24,0% 44,3%
Filmes/SériesNão 45,5% 86,8% 98,4% 85,9% 54,0% 77,2%Sim 54,5% 13,2% 1,6% 14,1% 46,0% 22,8%
RoupaNão 25,0% 44,1% 68,3% 9,4% 88,0% 46,4%Sim 75,0% 55,9% 31,7% 90,6% 12,0% 53,6%
TecnologiaNão 13,6% 72,1% 60,3% 9,4% 6,0% 35,3%Sim 86,4% 27,9% 39,7% 90,6% 94,0% 64,7%
ProdutosparaoLareDecoração
Não 38,6% 91,2% 88,9% 42,2% 78,0% 69,6%Sim 61,4% 8,8% 11,1% 57,8% 22,0% 30,4%
RefeiçõesNão 11,4% 89,7% 79,4% 85,9% 94,0% 75,4%Sim 88,6% 10,3% 20,6% 14,1% 6,0% 24,6%
ViagensNão 6,8% 85,3% 15,9% 51,6% 48,0% 44,3%Sim 93,2% 14,7% 84,1% 48,4% 52,0% 55,7%
SupermercadoNão 15,9% 85,3% 100,0% 93,8% 98,0% 82,0%Sim 84,1% 14,7% 0,0% 6,3% 2,0% 18,0%
OutrosNão 97,7% 85,3% 96,8% 98,4% 100,0% 95,2%Sim 2,3% 14,7% 3,2% 1,6% 0,0% 4,8%
SexoNão 25,0% 63,2% 65,1% 64,1% 20,0% 50,5%Sim 75,0% 36,8% 34,9% 35,9% 80,0% 49,5%
Total 15% 24% 22% 22% 17% 100,0%
Nota:Anegritoidentificaram-seasprincipaiscaracterísticasdosgrupo.
Caracterizaçãodoshábitosdee-commerce
44
Análisediscriminante:
Começou-se por se introduzir as variáveis anteriormente discriminadas através do método Enter
(introduzindo todas as vantagens em simultâneo e retirando variáveis manualmente à posteriori),
utilizandoa variável “Sexo” comovariável de grupo,dadoque sepretendeobterquais osprodutosque
permitemdiferenciaroscompradoresporsexo.
Tabela8:ModelodeAnáliseDiscriminanteinicialmenteobtidoparaosprodutoscompradosOnline,usandocomovariáveldegrupoo“Sexo”
Wilks'Lambda F df1 df2 Sig.
BilhetesparaConcertos/Espétaculos .966 10.023 1 287 .002AcessóriosPessoais(Relógios,Malas,Perfumes...) .966 10.021 1 287 .002Automóvelououtroveículomotorizado .955 13.532 1 287 .000Brinquedos .967 9.667 1 287 .002Livros .998 .634 1 287 .427Experiências/Vouchers 1.000 .099 1 287 .753Filmes/Séries .971 8.594 1 287 .004Roupa .974 7.766 1 287 .006Tecnologia .842 53.965 1 287 .000ProdutosparaoLareDecoração .999 .155 1 287 .694Refeições .988 3.543 1 287 .061Viagens .996 1.051 1 287 .306Supermercado .991 2.611 1 287 .107Outros .999 .344 1 287 .558
Caracterizaçãodoshábitosdee-commerce
45
Tabela9:MatrizdeestruturadaAnáliseDiscriminanteinicialmenteobtidoparaosprodutoscompradosOnline,usandocomovariáveldegrupoo“Sexo”
Function
1
Tecnologia .631Automóvelououtroveículomotorizado .316BilhetesparaConcertos/Espétaculos .272AcessóriosPessoais(Relógios,Malas,Perfumes...) -.272Brinquedos .267Filmes/Séries .252Roupa -.239Refeições .162Supermercado .139Viagens .088Livros .068Outros .050ProdutosparaoLareDecoração -.034Experiências/Vouchers -.027
Umavezqueaamostrafoirecolhidacombasenumprocessodeamostragemnãoprobabilístico,oque
impossibilitacalcularaprecisãodasestimativasobtidasapartirdaamostra,optou-seporvalorizarovalor
absolutovaloresdamatrizdeestrutura(>0,200)aoinvésdométodotradicionalparaescolhadasvariáveis
aentrarparaomodelo(p-valueassociadoaoLambdadeWilks).Oscoeficientesdamatrizdeestruturanão
variamcomaintroduçãoouremoçãodeoutrasvariáveis,peloqueforamremovidasemsimultaneotodas
as variáveis cujo valor absolutedamatriz de estrutura fosse inferior a 0.200.Ainda assim, os resultados
obtidos com estemétodo seriam osmesmos do que utilizando ométodo do p-value para um nivel de
significânciade95%.Utilizandoesteraciocíno,foramexcluídososprodutos livros,experiências/vouchers,
produtosparaolaredecoração,refeições,viagens,supermercadoeoutros(Tabela10): Tabela10:ModelofinaldeAnáliseDiscriminanteobtidoparaosprodutoscompradosOnline,usandocomo
Variáveldegrupo“Sexo”
Wilks'Lambda F df1 df2 Sig.
BilhetesparaConcertos/Espétaculos .966 10.023 1 287 .002AcessóriosPessoais(Relógios,Malas,Perfumes...) .966 10.021 1 287 .002Automóvelououtroveículomotorizado .955 13.532 1 287 .000Brinquedos .967 9.667 1 287 .002Filmes/Séries .971 8.594 1 287 .004Roupa .974 7.766 1 287 .005Tecnologia .842 53.965 1 287 .000
Caracterizaçãodoshábitosdee-commerce
46
OvalordaestatísticaLambdadeWilksparaavariáveltecnologiapareceintuirapossivelexistênciade
diferenças entre os dois grupos. De modo a confirmar esta indicação obtiveram-se os valores dos
coeficientesdafunçãodeFisherassociadosaosprodutoscompradosonline(Tabela11):
Tabela11:CoeficientesdosprodutoscompradosonlinenafunçãodeFisherporsexo
Sexo
Feminino Masculino
BilhetesparaConcertos/Espétaculos 5,426 6,110AcessóriosPessoais(Relógios,Malas,Perfumes...) 3,146 1,992
Automóvelououtroveículomotorizado 16,844 18,966Brinquedos 1,572 1,960Filmes/Séries 4,731 5,288Roupa 3,659 2,953Tecnologia 4,934 7,037(Constant) -26,351 -31,501
DestemodoasfunçõesdeFisherresultantesdaanálisediscriminantesãodaforma:
û¡¬§ h = 5,426. √óƒℎ∞∆∞« + 3,146. ¨¶∞««»≠ó»«_ù∞««»¨ó« + 16,844. ¨ ∆» − 1,572. √≠órï ∞ô»«
+ 4,731. Àóƒñ∞« + 3.559. ≠» ù¨ + 4,934. ∆∞¶r»ƒ»πó¨ − 26,351
ûÃÄÅÇ h = 6,110. √óƒℎ∞∆∞« + 1,992. ¨¶∞««»≠ó»«_ù∞««»¨ó« + 18,966. ¨ ∆» − 1,960. √≠órï ∞ô»«
+ 5,288. Àóƒñ∞« + 2.953. ≠» ù¨ + 7,037. ∆∞¶r»ƒ»πó¨ − 31,501
Assim,econsiderandoasdiferençasentreoscoeficientesdecadaumadas funçõesdeFisher,parece
existir alguma diferença entre os produtos comprados online por homens e por mulheres. Os homens
comprammaistecnologiadoqueasmulheres,eestasporsuavezadquiremmaisacessóriospessoaisdo
queoshomens.
Atravésdomodeloapresentado,podemosaindacalcularapercentagemdeindivíduosbemclassificados
emcadaumdosgrupos(homemoumulher),sendoque,comoépossívelverificar,76,0%dasmulheressão
bemclassificadas,assimcomo76,2%doshomens.
Caracterizaçãodoshábitosdee-commerce
47
Tabela12:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaosprodutoscompradosonline
Sexo
PredictedGroupMembership
Total Feminino MasculinoOriginal % Feminino 76,0 24,0 100,0
Masculino 23,8 76,2 100,0
a.76,1%dasobservaçõesiniciaisforamcorretamenteclassificadas.
Regressãologística:
Demodo a determinar a função logit começou-se por construir ummodelo considerando a variável
“Sexo”comovariáveldependente(0–mulher;1–homem)easrestantesvariáveiscomoindependentes,
tendo-seobtidoosresultadosapresentadosnaTabela13.
Tabela13:ModeloinicialdeRegressãoLogísticaobtidoparaosexoemfunçãodosprodutoscompradosonline
B S.E.Õ. Œ.∑
Exp(B)
BilhetesparaConcertos/Espétaculos 1,080 ,363 ,336 2,945AcessóriosPessoais(Relógios,Malas,Perfumes...) -1,152 ,332 ,288 ,316Automóvelououtroveículomotorizado 2,807 ,896 ,319 16,564Brinquedos ,464 ,367 ,791 1,591Livros -,137 ,311 ,27 ,872Experiências/Vouchers -,605 ,360 ,595 ,546Filmes/Séries ,597 ,372 ,623 1,817Roupa -,610 ,310 ,508 ,543Tecnologia 2,287 ,342 ,15 9,841ProdutosparaoLareDecoração -,693 ,370 ,534 ,500Refeições ,509 ,401 ,788 1,664Viagens -,254 ,359 ,413 ,776Supermercado ,401 ,437 ,9 1,493Outros ,894 ,683 ,764 2,446Constant -1,195 ,199 ,167 ,303
Pelosmotivosapresentadosanteriormente(amostrarecolhidacomprocessodeamostragemnão
probabilístico),optou-seporvalorizarovalorabsolutodoscoeficienteseorespectivodesvio-padrão( œ.–.±)
aoinvésdométodotradicionalparaescolhadasvariáveisaentrarparaomodelo(p-valueassociadoà
estatísticadeWald)–Ratner,2010.Nesteprocedimentonãoforamtestadasasinteraçõesentreas
variáveis.Utilizandoesteraciocínio,chegou-seaomodeloapresentadonaTabela14,doqualépossível
retirarasseguintesconclusões:
Caracterizaçãodoshábitosdee-commerce
48
• Umindivíduoquecomprebilhetesparaconcertos/espectáculostemaproximadamente2vezes
maispossibilidadesdeserdosexomasculinodoquedosexofeminino;
• Umindivíduoquecompreacessóriospessoais(Relógios,Malas,Perfumes...)temcercade4
vezesmaispossibilidadesdeserdosexofemininodoquedosexomasculino;
• Umindivíduoquecompreumautomóvelououtroveículomotorizadotemaproximadamente
14vezesmaispossibilidadesdeserdosexomasculinodoquedosexofeminino;
• Umindivíduoquecompreumprodutodetecnologiatemcercade8vezesmaispossibilidades
deserdosexomasculinodoquedosexofeminino.
Tabela14:ModelodeRegressãoLogísticaobtidoparaosexoemfunçãodosprodutoscompradosonline
B S.E.Õ. Œ.∑
Exp(B)
Bilhetespara
Concertos/Espetacúlos.740 .275 .372 2.096
Acessórios
pessoais(Relógios,
Malas,Perfumes...)
-1.357 .299 .22 .257
Automóvelououtro
veículomotorizado2.669 .825 .309 14.432
Tecnologia 2.070 .297 .143 7.924
Constant -1.250 .186 .149 .286
Paraestudarqualidadedoajustamentooptou-seporutilizarosvaloresdasensibilidadeeespecificidade
(Tabela15).Assim,aoutilizarmosumpontodecortede0,50obtemosummodelocomsensibilidadeiguala
72,7%eumaespecificidadeiguala1,1%,istoé,sãoidentificadoscorretamente72,7%doshomense80,8%
dasmulheres.Nogeralomodeloidentificacorretamente60,8%dosinquiridosoquerepresentaumaboa
qualidade de ajustamento. Podemos ainda verificar que omodelo encontrado temumaboa capacidade
discriminativa(AUC=0,827).
Tabela15:Valoresprevistospelomodeloderegressãologísticaparaosexoemfunçãodosprodutoscompradosonline,usandoopontodecorte0,50
Observed
Predicted
Sexo PercentageCorrectFeminino Masculino
Sexo Feminino 118 28 8,.8
Masculino 39 104 72,7
OverallPercentage 76,8
Caracterizaçãodoshábitosdee-commerce
49
Gráfico15:CurvaROCassociadaaomodeloderegressãologísticaparaosexoemfunçãodosprodutoscompradosonline
Atravésdosvalores∑apresentadosnaTabela8,podemosconstruirafunçãologísticaassociadaaomodeloobtido:
ƒ»πó∆ Ø h = ∑s + ∑t. √óƒℎ∞∆∞« − ∑á. ¨¶∞««»≠ó»«_ù∞««»¨ó« + ∑ö. ¨ ∆» − ∑—. ∆∞¶r»ƒ»πó¨
= 0,740. √óƒℎ∞∆∞« − 1,357. ¨¶∞««»≠ó»«_ù∞««»¨ó« + 2,669. ¨ ∆» − 2,070. ∆∞¶r»ƒ»πó¨ − 1,250
Comparaçãodosresultadosobtidos
Umdosobjetivosdestetrabalhoéestudaracoerênciaentreasvariáveiseconclusõesretiradasatravés
daAnálisedeCorrespondênciasMúltiplas,dafunçãodeFisherresultantedaAnáliseDiscriminanteeda
RegressãoLogísticaquandosujeitasaomesmoproblema.Nestesentido,erelativamenteaosprodutos
compradosonlineporambosossexos,podemosconcluirquequeratravésAnálisedeCorrespôndencias
Multiplas(ACM)queratravésdaFunçãodeFisherresultantedaAnáliseDiscriminante(AD)conclui-seque
poderãoexistirdiferençasentregénerosnoquedizrespeitoaosprodutoscompradosonline.
Caracterizaçãodoshábitosdee-commerce
50
Paralelamente,conclui-seaindaquenoquedizrespeitoàsvariáveisidentificadascomorelevantesna
AnáliseDiscriminante(AD)enaRegressãoLogistica(RL),registou-sequetodasasvariáveisselecionadas
paraomodelodeRLtambémforamselecionadasparaaanálisediscriminante.
Tabela16:TabelaresumodosmétodosutilizadosnaanálisedosprodutoscompradosOnline
Homensvs.Mulheres
Existemindíciosdediferençasentreosgrupos?
Variáveisdiferenciadoras
AnálisedeCorrespondências
MúltiplasSim
• Tecnologia
• BilhetesparaConcertos/Espetáculos
• Acessóriospessoais(Relógios,Malas,Perfumes...)
• Experiências/Vouchers
• Livros
• ProdutosparaoLareDecoração
• Viagens
• Supermercado
AnáliseDiscriminante->
FunçãodeFisherSim
• Tecnologia
• Acessóriospessoais(Relógios,Malas,Perfumes...)
RegressãoLogística Sim
• Automóvelououtroveículomotorizado
• Tecnologia
• Acessóriospessoais(Relógios,Malas,Perfumes...)
• BilhetesparaConcertos/Espetáculos
Caracterizaçãodoshábitosdee-commerce
51
Interessoutambémanalisaroshábitosdeadesãoaserviçosonlineentrecadaumdosgéneros,sendo
que à primeira vista sai que os homens aderemmais a serviços que as mulheres (74% dos homens já
aderiramapelomenosumserviçocontra64%dasmulheres),essencialmentenoquedizrespeitoaserviços
detelecomunicaçõeseaserviçosdegás,àguaouelectricidade,conformeépossívelconstatarnoGráfico
16.Note-sequeavariável“Nenhum,masconheçoestapossibilidade”nãofoiescolhidapornenhumdos
participantesnoestudo.
Gráfico16:Serviçosaderidospelasmulheresepeloshomens
Seguindoprocedimentoanálogoaorealizadoparaosprodutos,estudou-seavariávelsexoeavariável
“Aqueserviçosjáaderiuonline?”,porviaaestudaravalidadedahipótese3:“Existemdiferençasentreos
serviçosquehomensemulheresaderemonline”.
Análisedecorrespondênciasmúltiplas:
A ACM valida uma solução com duas dimensões para representar as interações existentes entre as
variáveis, as suas categorias e as respostas dos inquiridos (Gráfico 17). A percentagem de variância
explicadapelasduasdimensõesretidaséde52,3%.
0%20%40%60%80%100%
Nenhum,mas1conheço1esta1possibilidade
Nenhum,1desconheço1esta1possibilidade
Mudança1de1casa
Entrega1 de1compras1em1casa1ou1Refeições1ao1Domicilio
Gás,1Água1ou1Electricidade
Telecomunicações
Sexo1Feminino
0% 20% 40% 60% 80%
Sexo1Masculino
Caracterizaçãodoshábitosdee-commerce
52
Gráfico17:Representaçãodavariânciadasdimensõesassociadasaosserviçosaderidosonline
Tabela17:MedidasdediscriminaçãoassociadasàACMdosserviçosaderidosonline
Dimension
Mean 1 2
Telecomunicações .539 .040 .289
Entrega de compras em casa ou Refeições ao Domicilio .256 .184 .220
Gás, Àgua ou Electricidade .483 .099 .291
Mudança de casa .240 .390 .315
Nenhum, desconheço esta possibilidade .083 .298 .191
Sexo .039 .002 .021
Active Total 1.602 1.012 1.307
% of Variance 32.036 20.240 26.138
Combasenosvaloresdasmedidasdediscriminiçãoeconsiderandoasvariáveisquemaiscontribuemdimensões,passaremosadenominarcadaumadasdimensõesanterioresdoseguintemodo:
• Dimensão1:“Serviçosdomésticos”(variáveis“Telecomunicações”,“Gás,ÀguaouElectricidade”e
“EntregadecomprasemcasaouRefeiçõesaodomicilio”e“Mudançadecasa”)
• Dimensão2:“Desconhecimento”(variável“Nenhum,desconheçoestapossibilidade”)
AtravésdaTabela17,podemosaindaverificarqueosvaloresdasmedidasdediscriminaçãodavariável
sexo sãopróximosde zeroparaambasasdimensões,oque indicia anãoexistênciadediferençasentre
génerosnoqueserefereàadesãoonlineaosserviços.
0 0.5 1 1.5 2
1
2
3
4
5
Caracterizaçãodoshábitosdee-commerce
53
Tabela18:PosicionamentodasvariáveismaisrelevantesparaaACMdosserviçosaderidosonline
Quantificaçõesnegativas Quantificaçõespositivas
Serviçosdomésticos
(Dimensão1)
Telecomunicações_Sim
Gás,ÀguaouElectricidade_Sim
EntregadecomprasemcasaouRefeiçõesao
domicilio_Sim
Mudançadecasa_Sim
Telecomunicações_Não
Gás,ÀguaouElectricidade_Não
EntregadecomprasemcasaouRefeiçõesao
domicilio_Não
Mudançadecasa_Não
Desconhecimento
(Dimensão3)
Nenhum,desconheçoestapossibilidade_Não
Nenhum,desconheçoestapossibilidade_Sim
Com base na Tabela 18, verifica-se que a dimensão Serviços Domésticos contempla todos os
indivíduos que concordam relativamente à adesãoonlinea serviços de Telecomunicações,Gás, Àgua ou
ElectricidadeeEntregadecomprasemcasaouRefeiçõesaodomicílioeMudançadecasa.Jáadimensão
Desconhecimento caracteriza-se pelos indivíduos que concordam não conhecer este tipo de adesão a
serviços.
Caracterizaçãodoshábitosdee-commerce
54
Gráfico18:Representaçãodoespaçodosserviçosaderidosonline-Dimensão1vsDimensão2
DaanálisedoGráfico18épossívelidentificar2perfis,,tendoemcontaasvariáveisquemais
discriminamasrespectivasdimensões,distintosdecompradores:
1. Indivíduosqueaderemonlineaosserviçosmencionados;
2. Indivíduosquenãoaderemonlineaserviços;
Destaca-se aindaque as coordenadas dos centroides para os dois géneros, se encontram bastante
próximasentresi (edaorigem),oque,maisumavez indica,anãoexistênciadediferençasentreosdois
gruposnoquedizrespeitoaosserviçosaderidosonline.
Demodoavalidara indicaçãodadapelográfico, realizou-seumaanálisedeclustershierárquicados
scoresdosindivíduospelomodeloobtidodemodoadeterminaronúmerodegrupospresentes.
S N
SN
SNN NS
TelecomunicaçõesEntrega2de2compras2em2casa2ou2Refeições2ao2
Domicilio_N
Entrega2de2compras2em2casa2ou2Refeições2ao2
Domicilio
N
Gás,2Àgua2ou2ElectricidadeMudança2de2casa_N
Mudança2de2casa
Nenhum,2desconheço2esta2possibilidade_NA0.045Sexo
Telecomunicações Entrega2de2compras2em2casa2ou2Refeições2ao2Domicilio
Gás,2Àgua2ou2Electricidade Mudança2de2casa
Nenhum,2desconheço2esta2possibilidade Sexo
Caracterizaçãodoshábitosdee-commerce
55
Gráfico19:CoeficientesdefusãodaanálisedeClustersassociadaaosserviçosaderidosonline
A análise de clusters hierárquica sugere com3 grupos (Gráfico 19). Combase no agrupamento não
hierárquicoK-means,osgruposidentificadoscaracterizam-sepor(Tabela19):
• Ogrupo1(95%doscompradoresonline)englobaosindivíduosqueaderemonlineaosserviços
relacionadoscomasdepesasmensaisdahabitação.
• Jáo2ºgrupo(1%doscompradoresonline)distingue-sepornãoaderironlineaqualquertipode
serviçosenemconhecemessapossibilidade.
• O3ºgruporepresentaindivíduosquenãosedestacamnaadesãoaserviços(perfilmédio).
Tabela19:Caracterizaçãodosgruposidentificados,relativamenteaosaosserviçosaderidosonline
Categoria Grupo1 Grupo2 Grupo3 Total
TelecomunicaçõesNão 0.0% 100.0% 52.4% 50.9%Sim 100.0% 0.0% 47.6% 49.1%
EntregadecomprasemcasaouRefeiçõesao
Domicilio
Não 27.3% 100.0% 71.6% 70.2%
Sim 72.7% 0.0% 28.4% 29.8%Gás,ÀguaouElectricidade
Não 45.5% 100.0% 61.8% 61.6%Sim 54.5% 0.0% 38.2% 38.4%
MudançadecasaNão 0.0% 100.0% 100.0% 96.2%
Sim 100.0% 0.0% 0.0% 3.8%Nenhum,desconheçoestapossibilidade
Não 100.0% 0.0% 100.0% 99.0%Sim 0.0% 100.0% 0.0% 1.0%
SexoFeminino 27.3% 66.7% 51.3% 50.5%Masculino 72.7% 33.3% 48.7% 49.5%
a a a a a
Total a 95% 1% 4% 100%
0
10
20
30
40
50
60
1 2 3 4 5 6 7 8
Caracterizaçãodoshábitosdee-commerce
56
Nota:Anegritoidentificaram-seasprincipaiscaracterísticasdosgrupo.
Análisediscriminante:
Deentreasvariáveisselecionadascombasenovalorabsolutovaloresdamatrizdeestrutura,verifica-se
pelaestatísticaLambdadeWilksqueamudançadecasanãopareceserumserviçodiferenciadorentreos
géneros,noqueserefereàadesãodeserviçosonline(Tabela19).
Tabela20:ModelofinaldeAnáliseDiscriminanteobtidoparaosserviçosaderidosonline,usandocomo
variáveldegrupo“Sexo”
Wilks'Lambda F df1 df2 Sig.
Telecomunicações .953 14.300 1 287 .000Gás,ÀguaouElectricidade
.979 6.024 1 287 .015
Mudançadecasa .991 2.476 1 287 .117
Tabela21:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteosserviçosaderidosOnline,
usandocomovariáveldegrupo“Sexo
Sexo
Feminino Masculino
Telecomunicações 2.362 3.119Gás,ÀguaouElectricidade
4.225 4.537
Mudançadecasa 26.214 26.776(Constant) -18.482 -20.627
CombasenaTabela21,asfunçõesdeFisherresultantesdaanálisediscriminantesãodaforma:
û¡¬§ h = 2,362. ∆∞ƒ∞¶»ñ ró¶¨çõ∞« + 4,225. π¨«_¨π ¨_∞ƒ∞¶∆≠ó¶óô¨ô∞ + 26,214.ñ ô¨r¶¨_¶¨«¨ − 18,482
ûÃÄÅÇ h = 3,119. ∆∞ƒ∞¶»ñ ró¶¨çõ∞« + 4,537. π¨«_¨π ¨_∞ƒ∞¶∆≠ó¶óô¨ô∞ + 26,776.ñ ô¨r¶¨_¶¨«¨ − 20,627
Caracterizaçãodoshábitosdee-commerce
57
AssimeconsiderandoaspequenasdiferençasentreoscoeficientesdecadaumadasfunçõesdeFisher,
não existem indicios da existência diferenças relevantes entre homens emulheres por serviços aderidos
onlinepor.
Combasenomodeloapresentado,épossívelverificarque61,6%dasmulheressãobemclassificadas,
assimcomo69,1%doshomens,ouseja,60,9%detodososindivíduosforamclassificadoscorrectamente.
Tabela22:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodelo
obtidoparaosserviçosaderidosonline
Sexo
PredictedGroupMembership
TotalFeminino Masculino % Feminino 61.6 38.4 100.0
Masculino 39.9 60.1 100.0
a.60.9%dasobservaçõesiniciaisforamcorretamenteclassificadas.
Regressãologística:
De modo a determinar a função logit começou-se por construir um modelo de regressão logistica
considerando a variável “Sexo” como variável dependente e os vários serviços disponibilizados como
variáveis independentes. Foram introduzidos todos os serviços em simultâneo e foi feita uma seleção
manual das variáveisutilizando o índice œ.–.±
, sendo que quantomenores forem os valores deste rácio,
melhor seráa contribuiçãoda variávelparaomodelo.Utilizandoesteraciocínio,chegou-seaoseguintemodelo
apresentadonaTabela23,doqualépossívelverificarqueaderira serviçosde telecomunicaçõesoudegás,
àguaeelectricidadeéumfactorpotenciadorparaserdosexomasculino.
Tabela23:ModelodeRegressãoLogísticafinalobtidoparaosexoemfunçãodosserviçosaderidosonline
B S.E.Õ. Œ.∑
Exp(B)
Telecomunicações .778 .258 .332 2.176
Gás,agua,electricidade
.306 .266.869
1.358
Constant -1.604 .445 .277 .201
Aoutilizarmosumpontodecortede0,50obtemosummodelocomsensibilidadeiguala60,1%euma
especificidadeiguala61,6%,istoé,sãoidentificadoscorretamente60,1%doshomense60,6%das
mulheres,concluindo-sequeomodeloseajustacorretamente60,9%dosinquiridosoquerepresentauma
Caracterizaçãodoshábitosdee-commerce
58
boaqualidadedeajustamento.Omodeloencontradotemaindaumafracacapacidadediscriminativa(AUC
=0,624).
Tabela24:Valoresprevistospelomodeloderegressãologísticaparaosexoemfunçãodosserviços
aderidosonline,usandoopontodecorte0,50
Observed
Predicted
Sexo PercentageCorrectFeminino Masculino
Sexo Feminino 90 56 61.6
Masculino 57 86 60.1
OverallPercentage 60.9
a.Pontodecorte=.500
Gráfico20:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaosserviçosaderidosOnline,usandocomovariávelsuplementar“Sexo”
Atrávésdosvalores∑,podemosconstruirafunçãologisticaassociadaaomodeloobtido:
ƒ»πó∆ Ø h = ∑s + ∑t. ∆∞ƒ∞¶»ñ + ∑á. π¨«_¨π ¨_∞ƒ∞¶∆≠ó¶óô¨ô∞
= 0,778. ∆∞ƒ∞¶»ñ ró¶¨çõ∞« + 0,306. π¨«_¨π ¨_∞ƒ∞¶∆≠ó¶óô¨ô∞ − 1,604
Caracterizaçãodoshábitosdee-commerce
59
Comparaçãodosresultadosobtidos
Relativamenteaosserviçosaderidosonlineporambosossexos,foipossívelconcluir-sequeatravésda
ACMedaADquenãoexistemdiferençasentreosgéneros,porém,foramencontradasdiferençasentreos
gruposatravésdaRegressãoLogística.
DenotaraindaquetodasasvariáveisescolhidasparaomodelodeRegressãoLogísticatambémforam
selecionadasparaaAnáliseDiscriminante.
Tabela25:TabelaresumodosmétodosutilizadosnaanálisedosserviçosaderidosOnline
Homensvs.Mulheres
Existemindíciosdediferençasentreosgrupos?
Variáveisdiferenciadoras
AnálisedeCorrespondências
MúltiplasNão
AnáliseDiscriminante->
FunçãodeFisherNão
RegressãoLogística Sim Telecomunicações
Outradasquestõescolocadasaosinquiridosfoiacercadeparaqueméqueosutilizadoresfazem
comprasonline,separasi,separaoutros,sendoqueosresultadosforambastantesimilaresentrehomens
emulheres(Tabela26).
Tabela26:HábitosdecompraOnline-paraopróprioouparaoutros
Fazcomprasonline... %Homens %Mulheres Total
Parasi 1,4% 2,1% 1,7%
Paraoferecer 37,8% 36,9% 37,4%
Parasieparaoferecer 60,8% 61,0% 60,9%
Caracterizaçãodoshábitosdee-commerce
60
Noquedizrespeitoàfrequênciadecomprasonline,apenas12,1%dosinquiridosquecompramonline
refere fazer compras esporádicas (1 a 2 vezes por ano), sendo esta percentagem superior nasmulheres
(15,8%),faceaoshomens(8,4%).Pertode30%dosinquiridosindicaquefazmaisde10comprasonlinepor
ano.
Tabela27:Frequênciadascomprasonlineporsexo
Fazcomprasonline... %Homens %Mulheres Total
1a2vezes 8,4% 15,8% 12,1%
3a5vezes 25,9% 32,2% 29,1%
5a10vezes 29,4% 28,8% 29,1%
Maisde10vezes 36,4% 23,3% 29,8%
Cercade80%dosinquiridoscompradoresonlinemostraram-seindiferentesaodiadasemanaemque
realizamatransação.Maisdemetade(57,1%)dosinquiridoscompradoresdizemquenãotêmumperíodo
do dia em que émais usual realizarem as compras. Já os restantes,mostram preferência pela noite ou
madrugada (71,31%) sendo que o período do diamenos predileto para comprar online coincide com o
períododamanhã,ondeapenas4,15%dosinquiridosfazcomprasnesseperíodo.
Gráfico21:Períodododiapredilectoparacompraronline
Através das respostas dos indivíduos que responderam afirmativamente sobre o facto de comprar
online, fica ainda a ideia de que as compras feitas naweb, serão na suamaioria compras programadas,
sendoqueapenas14,2%dosindivíduosdissefazercomprasexclusivamenteporimpulso.Aindaassim29%
dosindivíduosquefazemcomprasprogramadas,admitemjáteremfeitocomprasporimpulso.
0%
10%
20%
30%
40%
50%
60%
Manhã(08:00-13:00)
Tarde (13:00-19:00)
Noite(19:00-00:00)
Madrugada(00:00-08:00)
Éindiferente
Caracterizaçãodoshábitosdee-commerce
61
Como se pode verificar pela Tabela 28, entre os inquiridos compradores online, a percentagem de
mulheresquecompraporimpulsoésemelhanteàdoshomens(62,3%vs.59,4%).Atravésdocoeficientede
correlação de Phi (0,03), verifica-se que é quase inexistente a associação entre o sexo e o comprar por
impulso,peloquenãoexistemdiferençasentregéneros.Demodo,nesteconjuntodedadosnãoseverifica
ahipótese4“Asinquiridasdosexofemininotêmmaiortendênciaacomprarporimpulsorelativamenteaos
homens”.
Noqueconcerneaosmeiosdepublicidadeonline,nosquaisosutilizadorestemmaiorconsciênciade
terem sido influenciados comercialmente para fazerem compras, o emailing assume o protagonismo
seguidodapublicidadenoFacebook(Gráfico22).
Gráfico22:Meiosdepublicidadeonlinequejámotivaramcompra
0
50
100
150
200Anúncios,no,Google,/,Sapo
Banners
Publicidade,no,Facebook
Emails,publicitários
SMS
Não,sei
Tabela28:Programaçãopréviadascomprasporsexo
Sexo
TotalFeminino Masculino
ComprasprogramadasNão 91 85 176
Sim 55 58 113Total 146 143 289
Caracterizaçãodoshábitosdee-commerce
62
4.4) NãoCompradoresonline
Sendoeste,umestudosobreoshábitosdeconsumodee-commerce,oprincipalgrupodeestudofoi,
naturalmente,oscompradoresonline.Aindaassim,tentou-seperceberjuntosdosnãocompradoresonline
(28%dosinquiridos)quaisasrazõespelasquaisestesnãofazemcomprasatravésdainternet.Asprincipais
razõesapontadas,conformeépossívelverificarnoGráfico23,passampelapreferênciaporexperimentaro
produtoaovivo (41,7%)eo receiodoprodutosercobradoenãoserentregue (23,4%).Verificou-seque
menos de 2% dos inquiridos tem receio que seja enviado o produto errado e que 2,9% não sabe como
compraronline.
Gráfico23:Motivospelosquaisosinquiridosnãocompramonline
Os restantes apontam razões como receio de extravio, produto ser entregue danificado, não querer
esperarpelaentregadoproduto,dificuldadesparaestaremcasaparareceberoprodutoeoutrasrazões.
1.7%
2.3%
2.9%
3.4%
7.4%
7.4%
9.7%
23.4%
41.7%
0% 10% 20% 30% 40% 50%
Receio0que0seja0enviado0do0produto0errado
outros
Porque0não0sabe0como0comprar0online
Não0quer0esperar0pela0entrega0do0produto
Receio0do0produto0 ser0entregue0danificado
Receio0do0produto0 poder0ser0estraviado
Não0estar0em0casa0para0receber0o0produto
Receio0do0produto0 ser0cobrado0e0não0 receber0o0produto
Prefere0experimentar0o0produto0 ao0vivo
Caracterizaçãodoshábitosdee-commerce
63
4.5) Segurançanascomprasonline
Umdostemasquesurgeinevitavelmentequandofalamosdecomércioeletrónicoestárelacionadocom
a segurança das transações online. Questões associadas à inserção de dados pessoais sensíveis, a
possibilidadeseralvodeataquesinformáticos(phishing)e,ovalordacompraserelevadopodemcontribuir
para algum receio no momento da transação. Porém, um maior número de escolhas de meios de
pagamentodisponíveis,anotoriedadee/ouaqualidadedositedovendedorpodemservircomoelementos
securizantesquedãosegurançaduranteacompra.
Esteéentãoumtemamuitorelacionadocomaperceçãodecadautilizadoreestádiretamenteligado
comassuasexperiênciaspessoaisoudepessoaspróximas.
Nesteestudo,foipedidoaos inquiridospara indicaremoquãoseguroconsideramsercompraronline,
respondendoestesnumaescalaordinal,naqual1representava“Nadaseguro”e10“Totalmenteseguro”.
MPelomenosmetade dos inquiridosrespondentes, afirmaram que consideravam estemodo de compra
seguro (mediana = 7). Os indivíduos do sexo masculino mostraram-se mais confiantes relativamente à
segurançadastransações(ñ∞ôó¨r¨§ = 10)faceaosindivíduosdosexofeminino(ñ∞ôó¨r¨“ = 9).
Gráfico24:Distribuiçãodograudesegurançanascomprasonlineporsexo
Osinquiridosentreosjovenseosindivíduosadultosforamosqueindicaramsentirmaiorsegurançanas
comprasonline(mediana= 9,0).
0%
10%
20%
30%
40%
50%
60%
1 2 3 4 5 6 7 8 9 10
Feminino Masculino
Caracterizaçãodoshábitosdee-commerce
64
Gráfico25:Percentisdograudesegurançanascomprasonline,poridadecategorizada
Jovens-adultos Adultos
Adultos
madurosSeniores
Mediana 9 9 8 8,5
Q1 8 8 7 8
Q3 10 10 9 9
Pretendeu-seaindaestudaroquãoaperceçãodasegurançanascomprasonlinevariadeacordocomo
níveldehabilitaçõesacadémicas.Emfunçãodaexistênciadepoucosregistosnascategoriasextremas(5º
ao9ºanoeDoutoramento),realizou-seumagrupamentodosdadosdoseguintemodo:asvariáveis“5ºao
9ºano”e“10ºao12ºano”foramaglutinadasnumasó(novadenominação:“EnsinosecundárioeInferior”
e a variável “Mestrado” foi aglomerada à variável “Doutoramento” (variável “Mestrado ou superior”),
Destemodo, ficaapercepçãodequequantomaior forograuacadémicomaiorasegurançasentidaem
comprar online (Gráfico 26). Analisando apenas a estatística descritiva associada a esta questão, existe
indíciosdeumatendêncialinearcrescentedograudesegurançanascomprasonlineemfunçãodograude
instrução.
Gráfico26:Caixadebigodes“GraudeInstrução”vs.“Quãoseguroconsiderasercompraronline?”
Caracterizaçãodoshábitosdee-commerce
65
No seguimentodo resultadoanterior, surgiuumresultado semelhante:quantomaisaltoéonívelde
literaciapersentidonousoda internet,maisaltoserátambémoníveldeperceçãosobreasegurançanas
comprasonline.
Gráfico27:CaixadebigodesdoGraudesegurançanascomprasonlineemfunçãodaauto-percepçãodeliteracianousodainternet
Paraosinquiridos,osfatoresmaisimportantesparaaperceçãodesegurançanacompraonlinesãoao
tipodeproduto,nenhumeositedoretalhista(Gráfico28).Gráfico28:Fatoresdemaiorsegurançanascomprasonline
0% 10% 20% 30% 40% 50%
A)empresa/marca)do)produto
Os)meios) de)pagamento)dísponiveis
Outros
O)site
Nenhum
O)tipo)de)produto
Caracterizaçãodoshábitosdee-commerce
66
4.6) Preferências
Nesta secção serão abordadas as preferências associadas às compras online dos inquiridos
(independentementedejáteremcompradoonlineounão)focandoasprincipaisvantagensedesvantagens
queveemnascomprasonlineepercebercomoéestesachamquesepoderáestimularmaisocomércio
eletrónico.Semprequeforrelevanteserãoestudadasasdiferençasentrecompradoresenãocompradores
easdiferençasdegénero.
Pela análise do Gráfico 29, a generalidade dos utilizadores indicou que as principais vantagens ao
compraronline,seprendiamcomquestõesdecomodidade,comosejamopoderfazê-loaqualquerhora,
em qualquer lugar e não se ter de deslocar a uma loja física (72%), e ainda existirem vantagens e
promoçõesexclusivas(43%).Denotaraindaqueosindivíduosdosexomasculinovalorizambastantemaisa
possibilidade ler comentários deixados por clientes anteriores sobre um produto/serviço do que as
mulheres(26,19%contra12,07%).
4.6.1) VantagensdacompraOnline
Gráfico29:Vantagensassociadasàscomprasonlineidentificadasporhomensemulheres
0%
20%
40%
60%
Poder+fazê0lo+em+qualquer+hora/local
Ter+vantagens/promoções+exclusivas
Não+ter+de+me+deslocar+a+uma+loja
Poder+ver+e+analisar+comentários+deixados+por+clientes+anteriores
Existência+de+um+maior+stock+de+produtos
Variedade+de+escolha
Não+ser+influenciado+por+um+vendedor
Possibilidade+de+fazer+pré0reservas
Ter+acesso+às+novidades
Outros
Nenhuma
Não+sei
Masculino Feminino
Caracterizaçãodoshábitosdee-commerce
67
Gráfico30:Vantagensassociadasàscomprasonlineidentificadasporcompradoresenãocompradores
Demodoaavaliarasdiferençasentreasvantagensidentificadasentrecompradoresenãocompradores
eentregéneros,dopontodevistamultivariado,serãousadososmétodos:aAnálisedeCorrespondências
Múltiplas,aanálisedafunçãodeFisherassociadaàAnáliseDiscriminanteeaRegressãoLogística.Porém,
uma vez que existem variáveis com um número reduzido de observações, optou-se por se efetuar
previamente uma Análise de Clusters, com carácter exploratório, de modo a identificar eventuais
associaçõesentreasvariáveisporviaaagruparasvariáveiscompoucasobservações.
Numa primeira fase traçou-se uma Análise de Clusters para a globalidade dos dados, usando vários
métodosde classificaçãohierárquica: centroide, vizinhomais afastadoeWard,usando comomedidade
associaçãoocoeficientePhi,tendo-seobtidoosdendogramas(Gráfico31aGráfico33).
0%
20%
40%
60%
Poder+fazê0lo+em+qualquer+hora/local
Ter+vantagens/promoções+exclusivas
Não+ter+de+me+deslocar+a+uma+loja
Poder+ver+e+analisar+comentários+deixados+por+clientes+anteriores
Existência+de+um+maior+stock+de+produtos
Variedade+de+escolha
Não+ser+influenciado+por+um+vendedor
Possibilidade+de+fazer+pré0reservas
Ter+acesso+às+novidades
Outros
Nenhuma
Não+sei
Compradores Não+Compradores
Caracterizaçãodoshábitosdee-commerce
68
Gráfico31:Dendogramadasvantagensusandoométododoscentroides
Gráfico32:Dendogramadasvantagensusandoométododovizinhomaisafastado
Gráfico33:DendogramadasvantagensusandoométododeWard
Através da análise dos dendogramas anteriores, optou-se por unificar as variáveis “Não ter que me
deslocar a uma loja” e “Poder fazê-lo em qualquer hora/local” (que doravante será denominada por
“Comodidade”), “possibilidadede fazerpré-reservas”e“Teracessoàsnovidades” (queserádenominada
por“Novidades”)easvariáveis“nenhuma”e“nãosei”(queserádenominadapor“Nenhuma/Nãosei”).
Caracterizaçãodoshábitosdee-commerce
69
Análisedecorrespondênciasmúltiplas:
Recorremos àACMpara realizar uma análise conjunta das vantagens identificadas na compraonline.
Simultaneamenteverificaremosseexistemdiferençasentreasvantagensidentificadaspeloscompradores
e pelos não compradores, bem como se existem diferenças entre géneros. Começou-se por definir o
númeromáximodedimensõesquepermitemrepresentaroconjuntodedados,i.e.,8(anexo5).Emfunção
dosresultadosobtidos,paradeterminaronúmerodedimensõesareteroptou-seporconjugarométodo
dos valores próprios (superiores a 1), o decaimento dos valores próprios (Gráfico 34) e a análise das
medidasdediscriminaçãoobtidas(Tabela29).Atravésdestesmétodosforamseleccionadas4dimensões,
umavezqueapartirda5ªdimensão,asvariáveisrelevantesparacadadimensãonãoadicionamnadade
novofaceàsdimensõesanteriores.Assim,asdimensõesretidasrepresentam56,8%davariânciatotal.
Gráfico34:Representaçãodavariânciadasdimensõesassociadasàsvantagensdacompraonline
0 0.5 1 1.5
1
2
3
4
5
6
7
8
Caracterizaçãodoshábitosdee-commerce
70
Tabela29:MedidasdediscriminaçãoassociadasàACMdasvantagensdacompraOnline
Dimension
Mean1 2 3 4
Nãoserinfluenciadoporumvendedor .007 .292 .145 .001 .111Podervereanalisarcomentáriosdeixadosporclientesanteriores
.100 .159 .018 .526 .201
Tervantagens/promoçõesexclusivas .323 .111 .227 .000 .165Variedadedeescolha .158 .154 .026 .417 .189Outros .039 .055 .016 .019 .032NenhumaNaosei .188 .215 .034 .000 .109Comodidade .403 .155 .071 .000 .158Novidades .051 .008 .539 .088 .172CostumarealizarcomprasOnline?a .001 .013 .002 .022 .009Sexoa .003 .014 .000 .016 .008ActiveTotal 1.269 1.149 1.077 1.051 1.137%ofVariance 15.868 14.369 13.457 13.134 14.207
a.Variávelsuplementar.
Combasenosvaloresdasmedidasdediscriminição(Tabela29),econsiderandoasvariáveisquemaiscontribuemparaaformaçãodasdimensões,passaremosadenominarcadaumadasdimensõesanterioresdoseguintemodo:
• Dimensão1:“Comodidadeeexclusividade”(variáveis“Comodidade”e“Tervantagens/promoções
exclusivas”)
• Dimensão2:“Influênciadevendedoresenenhum/nãosabe”(variáveis:“Nãoserinfluenciadopor
umvendedor”e“Nenhum/Nãosei”)
• Dimensão 3: “Compras rápidas ou de oportunidade” (variáveis “Novidades” e “Ter
vantagens/promoçõesexclusivas”)
• Dimensão4:“Comentáriosevariedade”(variáveis:“Podervereanalisarcomentáriosdeixadospor
clientesanteriores”e“Variedadedeescolha”)
Note-se ainda que os valores dasmedidas de discriminação das variáveis “Costuma realizar compras
online?”e“Sexo”sãobastantepróximasdezeroparatodasasvariáveis,oqueindiciaanãoexistênciade
diferençasentreoselementosdestesgrupos.
Caracterizaçãodoshábitosdee-commerce
71
Tabela30:PosicionamentodasvariáveismaisrelevantesparaaACMdasvantagensdecompraonline
Quantificaçõesnegativas Quantificaçõespositivas
Comodidadee
Exclusividade
(Dimensão1)
Comodidade_Não
Tervantagensepromoçõesexclusivas_Sim
Comodidade_Sim
Tervantagensepromoçõesexclusivas_Não
Influênciade
vendedorese
nenhum/nãosabe
(Dimensão2)
Nãoserinfluenciadoporumvendedor_Não
Nenhum/Nãosei_Sim
Nãoserinfluenciadoporumvendedor_Sim
Nenhum/Nãosei_Não
Comprasrápidasoude
oportunidade
(Dimensão3)
Novidades_Não
Ter_Vantagens/promoções_exclusivas_Sim
Novidades_Sim
Ter_Vantagens/promoções_exclusivas_Não
Comentáriose
variedade
(Dimensão4)
Podervereanalisarcomentáriosdeixadospor
clientesanteriores_Sim
Variedadedeescolha_Não
Podervereanalisarcomentáriosdeixadospor
clientesanteriores_Não
Variedadedeescolha_Sim
CombasenainformaçãoapresentadanaTabela30,verifica-sequeadimensãoComodidadee
exclusividadeopõeosindivíduosquevalorizamaComodidadeaosquepreferemtervantagense
promoçõesonline.JáadimensãoInfluênciadevendedoresenenhum/nãosabecaracteriza-sepelos
indivíduosquesãoopostosemnãoserinfluenciadoporumvendedoreemnãosaberounãoencontrar
nenhumavantagememcompraronline.AdimensãoComprasrápidasoudeoportunidadeéadimensão
naqualosindivíduosinteressadosemteracessoapré-reservaseacessoasnovidadesseopõeaos
indivíduosquepreferemtervantagens/promoçõesexclusivas.Finalmente,adimensãoFeedbackde
clientesanterioresevariedadedeescolha,representaosindivíduosquediscordamentresientrevere
analisarcomentáriosdeclientesanterioreseavariedadedeescolha.
Combasenovalordascoordenadasdoscentroides,representaram-segraficamenteasdimensões
maisrelevantesquandocomparadasduasaduas(Gráfico35eGráfico36):
Caracterizaçãodoshábitosdee-commerce
72
Gráfico35:CoordenadasdoscentroidesdaACMparaasvantagensdacompraonline:Dimensão1vsDimensão2
Gráfico36:CoordenadasdoscentroidesdaACMparaasvantagensdacompraonline:Dimensão2vsDimensão3
S
N
S
N
SN
S
NN
N
SN
S
N_CompCompFemMasc N
S
N
SN
S
N
S
N
N
SN N_Comp
CompFemMasc
Poder&ver&e&analisar&comentários&deixados&por&clientes&anteriores_Não
Poder&ver&e&analisar&comentários&deixados&por&
clientes&anteriores
Não
Ter&vantagens/promoções&exclusivas Variedade&de&escolha_Não
Variedade&de&escolha
Outros_Não
Outros
0.047
Não
ComodidadeNão
Nao&CompradoresCostuma&realizar&compras&
Online?FemininoSexo
Não&ser&influenciado&por&um&vendedor
Poder&ver&e&analisar&comentários&deixados&por&clientes&anteriores
Ter&vantagens/promoções&exclusivas
Variedade&de&escolha
Outros
NenhumaNaosei
Comodidade
Novidades
Costuma&realizar&compras&Online?
Sexo
Perfil1
Perfil2
Perfil3
Perfil4
Perfil5
Perfil3
Caracterizaçãodoshábitosdee-commerce
73
Daanálisedosgráficosanterioresparecemexistir,tendoemcontaasvariáveisquemaisdiscriminam
asrespectivasdimensões,5perfisdistintosdepessoas:
1. Indivíduos que destacam como vantagem as promoções exclusivas e as novidades e
desvalorizamacomodidade;
2. Indivíduosquenãogostamdeserinfluenciadosporvendedoreseoutros;
3. Indivíduos que valorizam a opinião dos outros, a variedade disponível no e-commerce e a
comodidademasnãovalorizamaspromoçõesexclusivas;
4. Indivíduosquevalorizamoutrotipodevantagensquenãoasenunciadasnoquestionário;
5. Indivíduosqueconsideramcomovantagemaspromoçõesexclusivasetambémavariedadena
escolha.
Destaca-se ainda que as coordenadas dos centroides para os dois géneros, se encontram bastante
próximasentresi(edaorigem),oque,maisumavezindica,anãoexistênciadediferençasentreosgrupos
noquedizrespeitoaosàsvantagensdacompraonline.
AAnálisedeClustershierárquicaaplicadaàscoordenadasdosindivíduosnasdimensõesretidassugere
oagrupamentodosindivíduos5grupos(Gráfico37).
Gráfico37:CoeficientesdefusãodaanálisedeClustersassociadaàsvantagensdacompraonline
0
5
10
15
20
25
30
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Caracterizaçãodoshábitosdee-commerce
74
ApartirdaAnálisedeClustersnãohierárquicaK-meansépossívelcaracterizarosindivíduosdecadaum
dosgruposdaseguinteforma(Tabela31):
• Grupo1(16%dosinquiridos):representaosindivíduosquevalorizamavariedadedeescolha,
porémnãovalorizamvantagens/promoçõesexclusivas;
• Grupo2(36%dosinquiridos):écaracterizadopelosindivíduosquenãoidentificamnenhuma
vantagemounãosabemdiscriminarquais;
• Grupo3(25%dosinquiridos):realçaosindividuosquenãovalorizamavariedadedeescolha;
• Grupo4(15%dosinquiridos):émarcadopelosindivíduosquevalorizamacomodidadeaoinvés
dasvantagens/promoçõesexclusivas;
• Grupo5(8%dosinquiridos):representasobretudoelementosdosexofemininoquevalorizam
novidadesporoposiçãoàcomodidade;
Tabela31:Caracterizaçãodos5gruposidentificados,relativamenteàsvantagensdacompraonlineidentificadaspelosinquiridos.
Categoria Grupo1 Grupo2 Grupo3 Grupo4 Grupo5 Total
Nãoserinfluenciadoporumvendedor
Não 100,0% 100,0% 100,0% 0,0% 100,0% 96,0%
Sim 0,0% 0,0% 0,0% 100,0% 0,0% 4,0%Podervereanalisarcomentáriosdeixadosporclientesanteriores
Não 84,3% 75,0% 80,8% 93,8% 87,5% 82,0%
Sim 15,7% 25,0% 19,2% 6,3% 12,5% 18,0%
Tervantagens/promoções
exclusivas
Não 72,5% 25,0% 54,0% 68,8% 68,8% 57,3%
Sim 27,5% 75,0% 46,0% 31,3% 31,3% 42,8%
VariedadedeescolhaNão 5,9% 75,0% 100,0% 100,0% 87,5% 87,3%
Sim 94,1% 25,0% 0,0% 0,0% 12,5% 12,8%
OutrosNão 92,2% 100,0% 100,0% 100,0% 100,0% 99,0%
Sim 7,8% 0,0% 0,0% 0,0% 0,0% 1,0%
Nenhuma/NãoseiNão 100,0% 0,0% 100,0% 100,0% 100,0% 99,0%
Sim 0,0% 100,0% 0,0% 0,0% 0,0% 1,0%
ComodidadeNão 17,6% 100,0% 28,8% 12,5% 56,3% 28,5%
Sim 82,4% 0,0% 71,2% 87,5% 43,8% 71,5%
NovidadesNão 100,0% 100,0% 100,0% 93,8% 0,0% 95,8%
Sim 0,0% 0,0% 0,0% 6,3% 100,0% 4,3%
SexoNão 54,9% 50,0% 58,1% 56,3% 68,8% 58,0%
Sim 45,1% 50,0% 41,9% 43,8% 31,3% 42,0%
Total 13% 1% 78% 4% 4% 100%
Nota:Anegritoidentificaram-seasprincipaiscaracterísticasdosgrupo.
Caracterizaçãodoshábitosdee-commerce
75
Análisediscriminante:
Utilizandoumprocedimentoanálogoao realizadoanteriormente, começou-sepor introduzir todasas
variáveisnomodelo,introduzindotodasasvantagensdacompraonline(usandofactodesercompradorou
não comprador online como variável de agrupamento) e fazendo uma seleção manual das variáveis
utilizandoocritériodeseleçãodevariáveiscombasenosvaloresdamatrizdeestrutura(>0,200)–anexo
6).
Tabela32:ModelodeAnáliseDiscriminanteparaasvantagensnacompraOnline,usandocomovariáveldeagrupamento“Costumarealizarcomprasonline”
Wilks'Lambda F df1 df2 Sig.
Nãoserinfluenciadoporumvendedor .995 2.129 1 398 .145Podervereanalisarcomentáriosdei1adosporclientesanteriores
.979 8.552 1 398 .004
Variedadedeescolha .998 .906 1 398 .342Nenhuma/Naosei .996 1.550 1 398 .214Comodidade .995 1.943 1 398 .164Novidades .996 1.595 1 398 .207
Os valores da estatística Lambda de Wilks (próximos de 1 para quase todas as variáveis), parecem
sugeriranãoexistênciadediferençasentreosdoisgrupos(compradoresenãocompradores).Demodoa
verificarestaindicaçãoestudou-seaindaasfunçõesdeFisherassociadasaestemodelo(Tabela33).
Tabela33:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasvantagensdacompra
Online,usandocomovariáveldeagrupamento“Costumarealizarcomprasonline”
CostumarealizarcomprasOnline?
NãoCompradores Compradores
Nãoserinfluenciadoporumvendedor 28.316 27.602Podervereanalisarcomentáriosdeixadosporclientesanteriores 8.022 8.857Variedadedeescolha 9.409 9.114Nenhuma/Naosei 109.970 111.089Comodidade 12.285 11.947Novidades 30.402 29.670(Constant) -107.533 -107.185
Caracterizaçãodoshábitosdee-commerce
76
DestemodoasfunçõesdeFisherresultantesdaanálisediscriminantesãodaforma:
û”‘ɧ’ h = 28,316. r¨»_«∞≠_órÀƒ ∞r¶ó¨ô»_ù»≠_ß∞rô∞ô»≠
+ 8,022. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆á≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«
+ 9,409. ߨ≠ó∞ô¨ô∞_ô∞_∞«¶»ƒℎ¨ + 109,970. r∞rℎ ñ¨_r㻫∞ó + 12,285¶»ñ»ôóô¨ô∞
+ 30,402. r»ßóô¨ô∞« − 107,533
û‘ɧ’ h = 27,602. r¨»_«∞≠_órÀƒ ∞r¶ó¨ô»_ù»≠_ß∞rô∞ô»≠
+ 8,857. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆á≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«
+ 9,114. ߨ≠ó∞ô¨ô∞_ô∞_∞«¶»ƒℎ¨ + 111,089. r∞rℎ ñ¨_r㻫∞ó + 11,947¶»ñ»ôóô¨ô∞
+ 29,670. r»ßóô¨ô∞« − 107,185
Assim,econsiderandoaspequenasdiferençasentreoscoeficientesdecadaumadasfunçõesdeFisher,
conclui-sequenãoexistemdiferençasrelevantesentrecompradoresenãocompradoresrelativamenteàs
vantagensidentificadasnoe-commerce.
Atravésdomodeloapresentado,podemosaindacalcularapercentagemdeindivíduosbemclassificados
emcadaumdosgrupos(compradoresounãocompradores),sendoque,comoépossívelverificar,73,9%
dosnãocompradoressãobemclassificados,porémapenas42,2%doscompradoressãobemclassificados
atravésdestemodelo (Tabela34).Verifica-seassimqueomodeloapresentadeficiênciasnaclassificação
doscompradores.
Tabela34:Percentagemdecompradoresenãocompradoresclassificadoscorretamente,atravésdomodeloobtidoparaasvantagensdacompraonline
Utilizandoumraciocínioanálogo,utilizandoavariávelsexocomovariáveldeagrupamento,eusandoo
mesmocritérioparaescolhadasvariáveis,obtiveram-seosresultadosapresentadosnaTabela35.
CostumarealizarcomprasOnline?
PredictedGroupMembership
TotalNão
Compradores CompradoresOriginal % NãoCompradores 73.9 26.1 100.0
Compradores 57.8 42.2 100.0
a.51.0%dasobservaçõesiniciaisforamcorretamenteclassificadas.
Caracterizaçãodoshábitosdee-commerce
77
Tabela35:ModelodeAnáliseDiscriminanteparaasvantagensnacompraOnline,usandocomovariáveldeagrupamento“Sexo”
Wilks'Lambda F df1 df2 Sig.
Podervereanalisarcomentáriosdeixadosporclientesanteriores
.967 13.545 1 398 .000
Tervantagens/promoçõesexclusivas
.996 1.418 1 398 .234
Outros .995 1.805 1 398 .180Comodidade .995 1.886 1 398 .170Novidades .997 1.153 1 398 .284
Talcomonoexemploanterior,osvaloresdaestatísticadeLambdadeWilks(próximosde1paratodas
asvariáveis),parecemsugeriranãoexistênciadediferençasentreosdoisgéneros.Demodoaverificaresta
indicaçãoestudou-seaindaasfunçõesdeFisherassociadasaestemodelo(Tabela36).
Tabela36:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasvantagensdacompra
Online,usandocomovariáveldeagrupamento“Sexo”
Sexo
Feminino Masculino
Podervereanalisarcomentáriosdeixadosporclientesanteriores 8.910 9.880Tervantagens/promoçõesexclusivas 8.305 8.146Outros 103.045 104.364Comodidade 9.869 9.478Novidades 30.423 29.825(Constant) -88.053 -89.025
Assim,asfunçõesdeFisherresultantesdaanálisediscriminantesãodaforma:
û¡¬§ h = 8,910. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆á≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«
+ 8,305. ∆∞≠_ߨr∆¨π∞r«_∞_ù≠»ñ»¶»∞«_∞h¶ƒ «óߨ« + 103,045. » ∆≠»«
+ 9,869¶»ñ»ôóô¨ô∞ + 30,423. r»ßóô¨ô∞« − 88,053
ûÃÄÅÇ h = 9,880. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆á≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«
+ 8,146. ∆∞≠_ߨr∆¨π∞r«_∞_ù≠»ñ»¶»∞«_∞h¶ƒ «óߨ« + 104,364. » ∆≠»«
+ 9,478¶»ñ»ôóô¨ô∞ + 29,825. r»ßóô¨ô∞« − 89,025
Caracterizaçãodoshábitosdee-commerce
78
AssimeconsiderandoaspequenasdiferençasentreoscoeficientesdecadaumadasfunçõesdeFisher
temos que não existem indícios de diferenças relevantes entre as vantagens identificadas pelos dois
géneros,confirmandoasorientaçõesdaestatísticaLambdadeWilks.
Calculou-se,ainda,atravésdaclassificaçãoefetuadaapercentagemdeindivíduosbemclassificadosem
cada um dos grupos (homem ou mulher), sendo que 67,2% dos elementos do fexo feminino são bem
classificados, porémapenas 51,8%doshomens sãobemclassificados atravésdestemodelo (Tabela 37).
Destemodo,constata-sequeestemodeloapresentadeficiênciasnaclassificaçãocorrectadoshomens.
Tabela37:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtido
àsvantagensdascomprasonline
Regressãologística:
Paraconstruirummodelode regressão logisticaparaavariável“Sexo”considerandoasvantagensna
compraonlinecomovariáveisindependentes,introduziram-setodasasvantagensemsimultâneoefoifeita
uma seleçãomanual das variáveisutilizandoo indice œ.–.±
, sendoquequantomenores foremos valores
desterácio,maiorseráacontribuiçãodavariávelparaomodelo.Utilizandoesteraciocínio,chegou-seao
seguintemodeloapresentadonaTabela38,doqualépossívelverificarqueos indivíduosquegostamde
saber a opinião dos outros sobre os produtos a adquirir ou sobre as lojas onde adquirir é um factor
potenciadorparasercompradoronline.
Tabela38:ModelodeRegressãoLogísticaparaoscompradoresonlineemfunçãodasvantagensnacompra
online
B S.E.Õ. Œ.∑
Exp(B)
Podervereanalisarcomentáriosdeixadosporclientesanteriores
1.023 .362 .354 2.781
Comodidade -.431 .263 .610 .650
Novidades -.691 .520 .753 .501
Constant 1.255 .864 .688 3.507
Sexo
PredictedGroupMembership
TotalFeminino MasculinoOriginal % Feminino 67.2 32.8 100.0
Masculino 48.2 51.8 100.0
a.60.8%dasobservaçõesiniciaisforamcorretamenteclassificadas.
Caracterizaçãodoshábitosdee-commerce
79
Para um ponto de corte de 0,70 obtemos um modelo com sensibilidade igual a 44,6% e uma
especificidade iguala71,2%, istoé, são identificados corretamente44,6%dos compradorese71,2%dos
não compradores, concluindoqueomodeloajusta corretamente52,0%dos inquiridosoque representa
uma qualidade razoável de ajustamento. À semelhança do verificado com a Análise discriminantes,
também este odelo apresenta deficiências na classificação correcta dos compradores. O modelo
encontradotemumafracacapacidadediscriminativa(AUC=0,599).
Tabela39:Valoresprevistospelomodeloderegressãologísticaparaoscompradoresemfunçãodasvantagensassociadasàcompraonline,usandoopontodecorte0,70
Observed
Predicted
CostumarealizarcomprasOnline?
PercentageCorrect
NãoCompradores Compradores
CostumarealizarcomprasOnline?
NãoCompradores 79 32 71.2
Compradores 160 129 44.6
OverallPercentage 52.0
a.Pontodecorte=.700
Gráfico38:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaasvantagensnacompraOnline,usandocomovariávelsuplementar“Costumarealizarcomprasonline”
Atrávésdosvalores∑,podemosconstruirafunçãologisticaassociadaaomodeloobtido:
ƒ»πó∆ Ø h = ∑s + ∑t. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆¨≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«+ ∑á. ¶»ñ»ôóô¨ô∞ + ∑ö. r»ßóô¨ô∞«
Caracterizaçãodoshábitosdee-commerce
80
= 1,023. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆¨≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«− 0,431. ¶»ñ»ôóô¨ô∞ + 0,691. r»ßóô¨ô∞« + 1,255
Repetindoomesmoraciocínio,agoraparamodelarosexoemfunçãodasvantagensidentificadasna
compraonline,tantoasoutrasvantagensnãodiscriminadasnoquestionáriocomoopoderteracessoaos
comentáriosdeixadospelosclientesanterioressãofactorespotenciadoresparaserdosexomasculino
(Tabela40).
Tabela40:ModelodeRegressãoLogísticaparaosexoemfunçãodasvantagens
B S.E.Õ. Œ.∑
Exp(B)
Podervereanalisarcomentáriosdeixadosporclientesanteriores
.961 .269 0,280 2.615
Outros 1.401 1.174 0,838 4.061
Comodidade -.381 .230 -0,604 .683
Novidades -.620 .558 -0,900 .538
Constant -1.580 1.436 -0,909 .206
Aoutilizarmosumpontodecortede0,50obtemosummodelocomsensibilidadeiguala27,4%euma
especificidadeiguala87,5%,istoé,sãoidentificadoscorretamente27,4%dosindivíduosdosexomasculino
e 87,5% dos indivíduos do sexo feminino, concluindo que o modelo ajusta corretamente 62,3% da
totalidadedosinquiridos.Omodeloapresentaassimumafracacapacidadeemclassificarcorrectamenteos
indivíduosdosexomasculino.Porém,omodeloencontradotemumafracacapacidadediscriminativa(AUC
=0,610).
Tabela41:Valoresprevistospelomodeloderegressãologísticaparaosexoemfunçãodasvantagensassociadasàscomprasonline,usandoopontodecorte0,50
Observed
Predicted
Sexo PercentageCorrectFeminino Masculino
Sexo Feminino 203 29 87.5
Masculino 122 46 27.4
OverallPercentage 62.3
a.Pontodecorte=.500
Caracterizaçãodoshábitosdee-commerce
81
Gráfico39:CurvaROCassociadoaoModelodeRegressãoLogísticaparaosexoemfunçãodasvantagensnacompraonline
Atravésdosvalores∑,podemosconstruirafunçãologisticaassociadaaomodeloobtido:
ƒ»πó∆ Ø h = ∑s + ∑t. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆¨≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞«+ ∑á. » ∆≠»« + ∑ö¶»ñ»ôóô¨ô∞ + ∑—. r»ßóô¨ô∞«
= 0,961. ù»ô∞≠_ß∞≠_∞_¨r¨ƒó«¨≠_¶»ñ∞r∆¨≠ó»«_ô∞óh¨ô»«_ù»≠_¶ƒó∞r∆∞«_¨r∆∞≠ó»≠∞« + 1,401. » ∆≠»«
− 0,381¶»ñ»ôóô¨ô∞ − 0,620. r»ßóô¨ô∞« − 1,580
PorviaacompararasvariáveiseconclusõesretiradasatravésdaAnálisedeCorrespondênciasMúltiplas
(ACM),dafunçãodeFisherresultantedaAnáliseDiscriminante(AD)edaRegressãoLogística(RL),quando
sujeitas ao mesmo problema, a tabela resumo das vantagens da compra online identificadas por
compradoresenãocompradoreseentregénerosentreosváriosmodelosutilizados (Tabela42)permite
concluirque,queratravésACMqueratravésdafunçãodeFisherresultantedaAD,nãoexistemdiferenças
entrecompradoresenãocompradoresenementregéneros.Paralelamente,conclui-seaindaquenoque
dizrespeitoàsvariáveisidentificadascomorelevantesnaADenaRL:
• As variáveis escolhidas na AD para os grupos construídos por homens/mulheres e
compradores/nãocompradores,foramasmesmas;
• TodasasvariáveisselecionadasparaomodelodeRLparaoscompradoresenãocompradoressão
tambémrelevantesparaomodelodeRLparaosexo;
• Os modelos de AD e RL identificaram variáveis distintas no estudo para os grupos de
compradores/nãocompradoresehomens/mulheres;
Caracterizaçãodoshábitosdee-commerce
82
Tabela42:TabelaresumodosmétodosutilizadosnaanálisedasvantagensemcomprarOnline
Compradoresvs.NãoCompradores
Homensvs.Mulheres
Existemindíciosde
diferençasentreosgrupos?
Variáveis
diferenciadoras
Existemindíciosde
diferençasentreosgrupos?
Variáveis
diferenciadoras
Análisede
CorrespondênciasMúltiplasNão
Não
AnáliseDiscriminante->
FunçãodeFisherNão
Não
RegressãoLogística Sim• Podervereanalisar
comentáriosdeixadosporclientesanteriores
Sim
• Podervereanalisarcomentáriosdeixadospor
clientesanteriores
• Outros
Caracterizaçãodoshábitosdee-commerce
83
4.6.2) DesvantagensdacompraOnlineSegue-se agora a análise das desvantagens associadas ao e-commerce que foram identificadas pelos
inquiridos. A desvantagemmais identificada pela totalidade dos inquiridos é a não experimentação do
produto ao vivo, sendo esta mais expressiva nas mulheres (52,2% vs. 45,2% dos inquiridos do sexo
masculino).Curiosonotarqueestadesvantageméquasetãoapontadapeloscompradores(48,1%)como
pelosnãocompradores(52,3%;Gráfico41).
Gráfico40:DesvantagensassociadasàscomprasOnlineidentificadasporhomensemulheres
Gráfico41:DesvantagensassociadasàscomprasOnlineidentificadasporCompradoreseNãoCompradores
Dificuldades+ nas+trocas/devoluções
Não+experimentar+o+produto
Portes+de+Envio
Produto++ser+extraviado+ou+estar+estragado
Envio+do+produto+errado
Método+de+pagamentoNão+ter+apoio+na+escolha+do+produto
Segurança
Nenhuma
Não+sei
Prazo+de+entrega
Masculino Feminino
Dificuldades+ nas+trocas/devoluções
Não+experimentar+o+produto
Portes+de+Envio
Produto++ser+extraviado+ou+estar+estragado
Envio+do+produto+errado
Método+de+pagamentoNão+ter+apoio+na+escolha+do+produto
Segurança
Nenhuma
Não+sei
Prazo+de+entrega
Compradores Não+compradores
Caracterizaçãodoshábitosdee-commerce
84
Os inquiridos de ambos os sexos (41,1% dos homens e 39,7% dasmulheres)mostram também uma
grandepreocupaçãocomeventuaisdificuldadesnastrocasedevoluções(Gráfico38).Estapreocupaçãoé
superiorentreos compradores (41,5%)doquenosnãocompradores (36,9%).Oshomenspreocupam-se
mais(25,6%)comoextravio/produtoserentreguedanificadodoqueasmulheres(13,8%).
Estasdiferençasapresentadasparecemsugerirumarelaçãoentreatipologiadeprodutocompradopor
cadaumdossexos(homenscompramnasuamaioriatecnologia,enquantoasmulheresoptampelamoda
eacessóriospessoais)eotipodepreocupaçõesqueestestêmnoatodacompraonline.
Dereferirainda,aexistênciadediferençasdegéneronasrespostasdadaspelosinquiridos:asmulheres
preocupam-se mais com os métodos de pagamento disponíveis do que os homens (18,1% vs. 12,5%),
porémoshomensrevelarammaiorespreocupaçõescomoprazodeentrega(14,9%dosinquiridosdosexo
masculinovs.7,3%nosexofeminino).
De notar, por fim, que os compradoresonline se preocupambastantemais (24,9% vs. 7,2% dos não
compradores)comaexistênciadeportesdeenvioassimcomocomoprazodeprazodeentrega(13,5%vs.
2,7%). Portanto, denota-se nos compradores mais preocupações com aspetos práticos que o registado
entre os não compradores. Pelo contrário, os não compradores têm preocupações superiores aos
compradorescomquestõesmaisligadasàsegurança(20,7%dosinquiridosnãocompradoresvs.13,8%dos
compradores)ecomométododepagamento(20,7%dosnãocompradoresvs.12,8%doscompradores).
De modo a averiguar as diferenças relativas às desvantagens de comprar online identificadas por
compradores e não compradores e entre géneros, repetiu-se o processo de comparação de métodos
realizado anteriormente. À semelhança do que foi feito na análise das vantagens, começou-se por se
efetuar umaAnálise de Clusters, com caracter exploratório, demodo a identificar eventuais associações
entreasvariáveisporviaaagruparvariáveiscompoucasobservações.
Caracterizaçãodoshábitosdee-commerce
85
Gráfico42:Dendogramadasdesvantagensusandoométododoscentroides
Gráfico43:Dendogramadasdesvantagensusandoométododovizinhomaisafastado
Gráfico44:DendogramadasdesvantagensusandoométododeWard
Caracterizaçãodoshábitosdee-commerce
86
Através da análise dos dendogramas (Gráfico 42 a Gráfico 44), optou-se por unificar as variáveis
“Dificuldades nas trocas e devoluções” e “Não ter apoio na escolha do produto” (que doravante será
denominada por “Falta de Apoio no pré e pós venda”) e as variáveis “Nenhuma” e “Não sei” (que será
denominada por “Nenhuma / Não sei”). A mesma unificação foi considerada com base na Análise de
Clustersseparadaporsexoeporcompradoresenãocompradores(Gráfico45aGráfico48).
Gráfico45:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoFeminino
Gráfico46:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoMasculino
Gráfico47:DendogramadasdesvantagensusandoométododeWardparaosinquiridos
nãocompradores
Gráfico48:DendogramadasdesvantagensusandoométododeWardparaosinquiridos
compradores
Caracterizaçãodoshábitosdee-commerce
87
Deseguida,edemodoaavaliarasdiferençasentreasdesvantagensidentificadasentrecompradorese
não compradores e entre géneros relativamente às desvantagens da compra Online será feita uma
comparaçãoentreaAnálisedeCorrespondênciasMúltiplas,aAnáliseDiscriminanteearegressãologística,
usandocomovariáveisiniciais“métododepagamento”,“segurança”,“enviodoprodutoerrado”,“produto
serextraviadoouestarestragado”,“nãoexperimentaroproduto”,“portesdeenvio”,“prazodeentrega”,
“faltadeapoionopréepósvenda”e“nãosei/nenhuma”.
Análisedecorrespondênciasmúltiplas:
RecorremosàACMpararealizarumaanáliseconjuntadasdesvantagensidentificadasnacompraonline.
Simultaneamente verificaremos se existem diferenças entre as desvantagens identificadas pelos
compradoresepelosnãocompradores,bemcomoseexistemdiferençasentregéneros.Começou-sepor
sedefinironúmeromáximodedimensõesquepermitemrepresentaroconjuntodedados, i.e.,9(anexo
7). Em função dos resultados obtidos, um critério passível de ser seguido para a escolha do número de
dimensõesseriaaescolhadasdimensõescujovalorprópriosuperiora1ouaindaoptar-seporumnúmero
suficientededimensõesqueexplicasse80%davariância total.Seguindoestesmétodosaopçãopassaria
porescolher6dimensões,oquerepresentariaumareduçãofracadonúmerodevariáveisiniciais.
Assim, e conjugando o decaimento dos valores próprios (Gráfico 49) e da análise das medidas de
discriminação obtidas (Tabela 43) optou-se por 4 dimensões, uma vez que a partir da 5 dimensão, as
variáveisrelevantesparacadadimensãonãoadicionamnadadenovofaceàsanteriores.Assim,omodelo
escolhidorepresenta55,7%davariânciatotaldasvariáveis.
Gráfico49:Representaçãodavariânciadasdimensõesassociadasàsdesvantagensdacompraonline
0 0.5 1 1.5
1
2
3
4
5
6
7
8
9
Caracterizaçãodoshábitosdee-commerce
88
Tabela43:MedidasdediscriminaçãoassociadasàACMdasdesvantagensdacompraonline
Dimension
Mean1 2 3 4
Nãoexperimentaroproduto .365 .084 .055 .333 .209PortesdeEnvio .296 .135 .025 .087 .136Produtoserextraviadoouestarestragado .021 .026 .368 .178 .148Enviodoprodutoerrado .003 .062 .014 .246 .081Métododepagamento .291 .057 .215 .008 .143Segurança .220 .110 .170 .253 .188Prazodeentrega .059 .200 .240 .010 .127Faltadeapoionopréepós-venda .073 .598 .106 .002 .195Nenhuma/Nãosei .012 .034 .000 .057 .026CostumarealizarcomprasOnline? .026 .002 .014 .009 .013Sexo .000 .002 .003 .003 .002ActiveTotal 1.339 1.306 1.195 1.175 1.254%ofVariance 14.882 14.516 13.272 13.058 13.932
Combasenosvaloresdasmedidasdediscriminiçãoeconsiderandoasvariáveisquemaiscontribuem
dimensões,passaremosadenominarcadaumadasdimensõesanterioresdoseguintemodo:
• Dimensão1:“Pagamentoseconfiança”(variáveis“Nãoexperimentaroprodutoaovivo”,“Portes
deenvio”,“Métododepagamento”e“Segurança)
• Dimensão2:“Pós-venda”(variáveis:“Faltadeapoionopréepósvenda”e“PrazodeEntrega”)
• Dimensão 3: “Entrega e método de pagamento” (variáveis “Produto ser extraviado ou estar
estragado”, “método de pagamento” e “prazo de entrega”)
• Dimensão4:“Segurançaepreocupaçãosobrerecepçãodoprodutopretendido”(variáveis:“Não
experimentaroprodutoaovivo”,“Enviodoprodutoerrado”e“Segurança”)
Tal comoanteriormente,os valoresdos coeficientesdediscriminaçãodas variáveis “Costuma realizer
comprasonline?”e “Sexo” sãobastante próximas de zero para todas as dimensões, o que indicia a não
existênciadediferençasentreoselementosdestesgrupos.
Caracterizaçãodoshábitosdee-commerce
89
Tabela44:PosicionamentodasvariáveismaisrelevantesparaaACMdasdesvantagensdecompraonline
Quantificaçõesnegativas Quantificaçõespositivas
Pagamentose
segurança/confiança
(Dimensão1)
Nãoexperimentaroproduto_Sim
PortesdeEnvio_Sim
Métododepagamento_Não
Segurança_Não
Nãoexperimentaroproduto_Não
PortesdeEnvio_Sim
Métododepagamento_Sim
Segurança_Sim
Pós-venda
(Dimensão2)
Faltadeapoionopréepós-venda_Não
Prazodeentrega_Sim
Faltadeapoionopréepós-venda_Sim
Prazodeentrega_Não
Entregaemétodode
pagamento
(Dimensão3)
Produtoserextraviadoouestarestragado_Sim
Métododepagamento_Não
Prazodeentrega_Não
Métododepagamento_Sim
Métododepagamento
Prazodeentrega_Sim
Segurançae
preocupaçãosobre
recepçãodoproduto
pretendido
(Dimensão4)
Nãoexperimentaroproduto_Sim
Enviodoprodutoerrado_Sim
Segurança_Sim
Nãoexperimentaroproduto_Não
Enviodoprodutoerrado_Não
Segurança_Não
Assim,podemosinterpretaraPagamentosesegurança/confiançacujosindivíduosqueseposicionam
de modo oposto relativamente à segurança e ao método de pagamento relativamente ao Não
experimentaroprodutoeaosportesdeenvio.
JáadimensãodePós-vendacaracteriza-sepelosindivíduosquesãoopostosnafaltadeapoionoprée
nopós-vendarelativamenteaoprazodeentrega.
A dimensão de Entrega e método de pagamento é a dimensão na qual os indivíduos concordam
relativamenteaométododepagamentoeaoprazodeentrega,porémdiscordamfaceaoaoprodutoser
extraviadoouestarestragado.
Finalmente,adimensãoSegurançaepreocupaçãosobrerecepçãodoprodutopretendido,representa
os indivíduos que concordamentre si comnão experimentar o produto, o envio do produto errado e a
segurança.
Combasenovalordascoordenadasdoscentroides,representou-segraficamenteasdimensõesmais
relevantesquandocomparadasduasaduas:
Caracterizaçãodoshábitosdee-commerce
90
Gráfico50:CoordenadasdoscentroidesdaACMparaasdesvantagensdacompraOnline:
Dimensão1vsDimensão2
Gráfico51:CoordenadasdoscentroidesdaACMparaasdesvantagensdacompraOnline:
Dimensão3vsDimensão4
Daanálisedosgráficosanterioresépossívelidentificar,tendoemcontaasvariáveisquemais
discriminamasrespectivasdimensões,5perfisdistintosdeindividuos:
1. Indivíduosqueconsideramqueasprincipaisdesvantagensassociadasàcompraonline sãoo
prazodeentrega,osportesdeenvioeonãoexperimentaroproduto;
2. Indivíduosparaosquaisasegurançaéoqueospreocupanestetipodecompra;
3. Indivíduoscujaprincipalpreocupaçãoéfaltadeapoionopréepósvenda;
4. Indivíduospreocupadoscomoextraviodoprodutoouoprodutoestragadoestarestragado;
S N
S
NS
N
SNN
S
N
S
N
S
N
S
N_CompCompFemMasc
N
SN
S
N
S
N
S
NS
N
S
NS
N SN
S
N_CompCompFemMasc
Não$experimentar$ o$produtoPortes$de$Envio_N
Portes$de$Envio
NProduto$$ser$extraviado$ou$
estar$estragado
Envio$do$produto$errado_N
Envio$do$produto$errado
Método$de$pagamento_N
Método$de$pagamento
0.139
Segurança
N
Prazo$de$entrega
N
Falta$de$apoio$no$pré$e$pósCvenda
N
Nenhuma!/Não$sei
Costuma$realizar$compras$Online?
Costuma$realizar$compras$Online?
Sexo_FemSexo
Não$experimentar$ o$produto Portes$de$Envio
Produto$$ser$extraviado$ou$estar$estragado Envio$do$produto$errado
Método$de$pagamento Segurança
Prazo$de$entrega Falta$de$apoio$no$pré$e$pósCvenda
Nenhuma!/Não$sei Costuma$realizar$compras$Online?
Sexo
1ºPerfil
3ºPerfil
2ºPerfil
2ºPerfil
4ºPerfil
5ºPerfil
Caracterizaçãodoshábitosdee-commerce
91
5. Indivíduosparaosquaisasprincipaisdesvantagenssãoométododepagamentoeoprazode
entrega.
Destaca-se ainda aqueas coordenadasdos centroidesparaosdois géneros, se encontrambastante
próximasentresi (edaorigem),oque,maisumavez indica,anãoexistênciadediferençasentreosdois
gruposnoquedizrespeitoàsdesvantagensdacompraonline.
Gráfico52:CoeficientesdefusãodaanálisedeClustersassociadaàsdesvantagensdacompraonline
AAnálisedeClustershierárquicasugereoagrupamentoosinvidíduosem5grupos(Gráfico53).
Recorrendo à classificação não hierárquica (K-means) e cruzando com os perfis previamente
identificadoscomaACM,podemosdizerqueasprincipaiscaracterísticasdosgruposidentificados
são(Tabela45):
• Grupo 1 (16% inquiridos) caracteriza-se pela preocupação com poder experimentar o
produtoaovivo,osportesdeenvio,oprazodeentregaeafaltadeapoionopréepós-venda;
• Grupo2(36%inquiridos)abrangeosegmentodosindivíduosessencialmentepreocupados
comasegurançaequedesvalorizamaquestãodoapoionopréepósvenda;
• Grupo 3 (25% dos inquiridos) identifica o segmento dos que consideram que a falta de
apoioquernoprécomonopósvenda;
• Grupo4(15%inquiridos)écaracterizadopelosindivíduosquetemreceiosrelativamenteà
recepçãodoproduto;
• Grupo 5 (8% dos inquiridos) é o de menor dimensão e refere-se a um segmento que
considera que as principais desvantegns são o método de pagamento e o prazo de entrega,
desvalorizandonãoexperimentaroprodutoeafaltadeapoionavenda.
0
5
10
15
20
25
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Caracterizaçãodoshábitosdee-commerce
92
Tabela45:Caracterizaçãodos5gruposidentificados,relativamenteaosàsdesvantagensdacompraonlineidentificadaspelosinquiridos.
Categoria Grupo1 Grupo2 Grupo3 Grupo4 Grupo5 Total
Nãoexperimentaroproduto
Não 3,0% 66,7% 45,1% 100,0% 100,0% 50,7%Sim 97,0% 33,3% 54,9% 0,0% 0,0% 49,3%
PortesdeEnvioNão 65,3% 98,3% 89,6% 76,9% 53,3% 80,0%Sim 34,7% 1,7% 10,4% 23,1% 46,7% 20,0%
Produtoserextraviadoouestarestragado
Não 78,2% 85,0% 100,0% 32,3% 100,0% 81,3%Sim 21,8% 15,0% 0,0% 67,7% 0,0% 18,8%
EnviodoprodutoerradoNão 82,2% 100,0% 90,3% 72,3% 100,0% 87,5%
Sim 17,8% 0,0% 9,7% 27,7% 0,0% 12,5%
MétododepagamentoNão 100,0% 83,3% 77,1% 87,7% 60,0% 84,3%Sim 0,0% 16,7% 22,9% 12,3% 40,0% 15,8%
SegurançaNão 100,0% 0,0% 100,0% 100,0% 100,0% 85,0%Sim 0,0% 100,0% 0,0% 0,0% 0,0% 15,0%
PrazodeentregaNão 85,1% 98,3% 100,0% 96,9% 20,0% 89,5%Sim 14,9% 1,7% 0,0% 3,1% 80,0% 10,5%
Faltadeapoionopréepós-venda
Não 100,0% 83,3% 9,0% 70,8% 80,0% 58,5%Sim 0,0% 16,7% 91,0% 29,2% 20,0% 41,5%
SexoFeminino 100,0% 100,0% 100,0% 86,2% 100,0% 97,8%Masculino 0,0% 0,0% 0,0% 13,8% 0,0% 2,3%
Total 16% 36% 25% 15% 8% 100%
Nota:Anegritoidentificaram-seasprincipaiscaracterísticasdosgrupo.
Caracterizaçãodoshábitosdee-commerce
93
Análisediscriminante:
Utilizandoumprocedimentoanálogoao realizadoanteriormente, começou-sepor introduzir todasas
variáveis para o modelo, introduzindo todas as desvantagens (usando facto de ser comprador ou não
compradorOnlinecomovariáveldeagrupamento)efazendoumaseleçãomanualdasvariáveisutilizandoo
critério de seleção de variáveis combase nos valores damatriz de estrutura (>0,200) – anexo 8), tendo
obtido:
Tabela46:ModelodeAnáliseDiscriminanteparaasdesvantagensnacompraOnline,usandocomoVariáveldegrupo“Costumarealizarcomprasonline”
Wilks'Lambda F df1 df2 Sig.
PortesdeEnvio .961 16.275 1 398 .000Métododepagamento
.993 2.867 1 398 .091
Segurança .990 3.963 1 398 .047Prazodeentrega .975 10.142 1 398 .002Nenhuma/Nãosei .997 1.278 1 398 .259
Os valores da estatística Lambda de Wilks (próximos de 1 para quase todas as variáveis), parecem
sugeriranãoexistênciadediferençasentreosdoisgrupos(compradoresenãocompradores).Demodoa
verificarestaindicaçãoestudou-seaindaasfunçõesdeFisherassociadasaestemodelo(Tabela47):
Tabela47:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasdesvantagensdacompraOnline,usandocomovariáveldegrupo“Costumarealizarcomprasonline”
CostumarealizarcomprasOnline?
Não Sim
PortesdeEnvio 12.227 13.276Métododepagamento 12.217 11.810Segurança 14.806 14.472Prazodeentrega 14.508 15.650Nenhuma/Nãosei 55.054 54.362(Constant) -59.527 -60.402
DestemodoasfunçõesdeFisherresultantesdaanálisediscriminantesãodaforma:
Caracterizaçãodoshábitosdee-commerce
94
û”‘ɧ’ h = 12,227. ù»≠∆∞«_ô∞_∞rßó» + 12,217.ñ∞∆»�»_ô∞_ù¨π¨ñ∞r∆» + 14,806. «∞π ≠¨r¶¨
+ 11,508. ù≠¨◊»_ô∞_∞r∆≠∞π¨ + 55,054r∞rℎ ñ¨_r㻫∞ó − 59,527
û‘ɧ’ h = 13,276. ù»≠∆∞«_ô∞_∞rßó» + 11,810.ñ∞∆»ô»_ô∞_ù¨π¨ñ∞r∆» + 14,472. «∞π ≠¨r¶¨
+ 15,650. ù≠¨◊»_ô∞_∞r∆≠∞π¨ + 54,362r∞rℎ ñ¨_r㻫∞ó − 60,402
Assim,econsiderandoaspequenasdiferençasentreoscoeficientesdecadaumadasfunçõesdeFisher,
temos que não existem diferenças relevantes entre compradores e não compradores relativamente às
desvantagensidentificadasnoe-commerce.
Atravésdomodeloapresentado,podemosaindacalcularapercentagemdeindivíduosbemclassificados
emcadaumdosgrupos(compradoresounãocompradores),sendoque,comoépossívelverificar,90,1%
dosnãocompradoressãobemclassificados,porémapenas35,3%doscompradoressãobemclassificados
atravésdestemodelo (Tabela48).Verifica-seassimqueomodeloapresentadeficiênciasnaclassificação
doscompradores.
Tabela48:Probabilidadedeumnovoelementopertenceraogrupodoscompradores,atravésdomodeloobtidoparaasdesvantagensdacompraonline
CostumarealizarcomprasOnline?
PredictedGroupMembership
TotalNão SimOriginal % Não 90.1 9.9 100.0
Sim 64.7 35.3 100.0
a.50.5%dasobservaçõesiniciaisforamcorretamenteclassificadas.
Utilizandoumraciocínioanálogo,utilizandoavariávelsexocomovariáveldeagrupamento,eusandoo
mesmo critério para escolhadas variáveis, variáveis, obtiveram-seos resultados apresentadosna Tabela
49.
Tabela49:ModelodeAnáliseDiscriminanteparaasdesvantagensnacompraOnline,usandocomovariáveldegrupo“Sexo”
Wilks'Lambda F df1 df2 Sig.
Nãoexperimentaroproduto
.995 1.865 1 398 .173
Produtoserextraviadoouestarestragado
.978 9.066 1 398 .003
Caracterizaçãodoshábitosdee-commerce
95
Métododepagamento
.994 2.307 1 398 .130
Prazodeentrega .985 5.974 1 398 .015Nenhuma/Nãosei .996 1.477 1 398 .225
Talcomonoexemploanterior,osvaloresdaestatísticadeLambdadeWilks(próximosde1paratodas
asvariáveis),parecemsugeriranãoexistênciadediferençasentreosdoisgéneros.Demodoaverificaresta
indicaçãoestudou-seaindaasfunçõesdeFisherassociadasaestemodelo
Tabela50:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaasdesvantagensda
compraOnline,usandocomovariáveldegrupo“Sexo”
Sexo
Feminino Masculino
Nãoexperimentaroproduto 15.813 15.577Produtoserextraviadoouestarestragado 17.234 17.996Métododepagamento 18.640 18.219Prazodeentrega 18.360 19.257Nenhuma/Nãosei 62.826 62.012(Constant) -75.750 -75.991
Assim,asfunçõesdeFisherresultantesdaanálisediscriminantesãodaforma:
û¡¬§ h = 15,813. r¨»_∞hù∞≠óñ∞r∆¨≠_»_ù≠»ô ∆»
+ 17,234. ù≠»ô ∆»_«∞≠_∞h∆≠¨ßó¨ô»_» _∞«∆¨≠_∞«∆≠¨π¨ô»
+ 18,640.ñ∞∆»ô»_ô∞_ù¨π¨ñ∞r∆» + 18,360. ù≠¨◊»_ô∞_∞r∆≠∞π¨
+ 62,826r∞rℎ ñ¨_r㻫∞ó − 75,750
ûÃÄÅÇ h = 15,577. r¨»_∞hù∞≠óñ∞r∆¨≠_»_ù≠»ô ∆»
+ 17,996. ù≠»ô ∆»_«∞≠_∞h∆≠¨ßó¨ô»_» _∞«∆¨≠_∞«∆≠¨π¨ô»
+ 18,219.ñ∞∆»ô»_ô∞_ù¨π¨ñ∞r∆» + 19,257. ù≠¨◊»_ô∞_∞r∆≠∞π¨
+ 62,012r∞rℎ ñ¨_r㻫∞ó − 75,991
Caracterizaçãodoshábitosdee-commerce
96
AssimeconsiderandoaspequenasdiferençasentreoscoeficientesdecadaumadasfunçõesdeFisher
temosquenãoexistemindíciosdediferençasrelevantesentreasdesvantagensidentificadaspelosdois
géneros,confirmandoasorientaçõesdotestedeWilks.
Calculou-se,ainda,atravésdaclassificaçãoefetuadaprobabilidadedeumnovoelementodaamostra
pertenceraumdosdoisgrupos(homensoumlheres),sendoque,comoépossívelverificar,78,9%dos
elementosdofexofemininosãobemclassificados,porémapenas39,3%doshomenssãobemclassificados
atravésdestemodelo.Destemodo,constata-sequeestemodeloapresentadeficiênciasnaclassificação
correctadoshomens.
Tabela51:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaasdesvantagensassociadasàscomprasonline
Sexo
PredictedGroupMembership
TotalFeminino MasculinoOriginal % Feminino 78.9 21.1 100.0
Masculino 60.7 39.3 100.0
a.62.3%dasobservaçõesiniciaisforamcorretamenteclassificadas.
RegressãoLogística:
Paraconstruirummodeloderegressão logisticaparaavariável“Sexo”considerandoasdesvantagens
nacompraonlinecomovariáveisindependentes,introduziram-setodasasdesvantagensemsimultâneoe
foi feitaumaseleçãomanualdasvariáveisutilizandoo indice œ.–.±
, sendoquequantomenores foremos
valoresdesterácio,maiorseráacontribuiçãodavariávelparaomodelo.Utilizandoesteraciocínio,chegou-
seaoseguintemodeloapresentadonaTabela52,doqualépossívelverificarqueosportesdeenvioeo
prazodeentregasãodesvantagensimportantesrelativamenteacompraronline.
Tabela52:ModelodeRegressãoLogísticaparaoscompradoresonlineemfunçãodasdesvantagensnacompraonline
∑ S.E.Õ. Œ.∑
Exp(∑) PortesdeEnvio 1.701 .405 0,24 5.480
Enviodoprodutoerrado
.524 .3580,68
1.689
Prazodeentrega 2.029 .624 0,31 7.606
Faltadeapoionopreepos-venda
.620 .2460,40
1.859
Caracterizaçãodoshábitosdee-commerce
97
Constant -4.629 1.104 0,24 .010
Paraumpontodecortede0,70obtemosummodelocomsensibilidadeiguala71,3%euma
especificidadeiguala53,2%,istoésãoidentificadoscorretamente71,3%doscompradorese53,2%dos
nãocompradores,concluindoqueomodeloajustacorretamente66,3%dosinquiridosoquerepresenta
umaqualidaderazoaveldeajustamento.ÀsemelhançadoverificadocomaAnálisediscriminante,também
esteodeloapresentadeficiênciasnaclassificaçãocorrectadoscompradores.Omodeloencontradotem
umafracacapacidadediscriminativa(AUC=0,681).
Tabela53:ValoresprevistoscomoModelodeRegressãoLogísticaobtidoparaoscompradoresemfunção
dasdesvantagens,usandoopontodecorte0,70
Observed
Predicted
CostumarealizarcomprasOnline? Percentage
CorrectNão Sim
CostumarealizarcomprasOnline?
Não 59 52 53.2
Sim 83 206 71.3
OverallPercentage 66.3
a.Pontodecorte=.700
Gráfico53:CurvaROCassociadaaoModelodeRegressãoLogísticaobtidoparaasdesvantagensnacompraOnline,usandocomovariávelsuplementar“Costumarealizarcomprasonline”
Caracterizaçãodoshábitosdee-commerce
98
Atrávésdosvalores∑,podemosconstruirafunçãologisticaassociadaaomodeloobtido:ƒ»πó∆ Ø h = ∑s + ∑t. ù»≠∆∞«_ô∞_∞rßó» + ∑á. ∞rßó»_ô»_ù≠»ô ∆»_∞≠≠¨ô» + ∑ö. ù≠¨◊»_ô∞_∞r∆≠∞π¨
+ ∑—. À¨ƒ∆¨_ô∞_¨ù»ó»_r»_ù≠∞_∞_ù»«ß∞rô¨
= 1.701. ù»≠∆∞«_ô∞_∞rßó» + 0,524. ∞rßó»_ô»_ù≠»ô ∆»_∞≠≠¨ô» + 2,029. ù≠¨◊»_ô∞_∞r∆≠∞π¨+ 0,620. À¨ƒ∆¨_ô∞_¨ù»ó»_r»_ù≠∞_∞_ù»«ß∞rô¨ − 4,629
Repetindoomesmoraciocínio,agoraparamodelarosexoemfunçãodasdesvantagensidentificadasna
compraonline,oprazodeentregaéumfactorespotenciadoresparaserdosexomasculino(Tabela54).
Tabela54:ModelodeRegressãoLogísticaobtidoparaasdesvantagensnacompraOnline,usandocomovariávelsuplementar“Costumarealizarcomprasonline”
B S.E.Õ. Œ.∑
Exp(B)
Produtoserextraviadoouestarestragado
.989 0,237 0,24 2.688
Prazodeentrega 1.149 0,781 0,68 3.157
Faltadeapoionopreepos-venda
.395 0,122 0,31 1.484
Segurança .435 0,174 0,40 1.544
Constant -3.838 0,921 0,24 .022
Assim,aoutilizarmosumpontodecortede0,40obtemosummodelocomsensibilidadeiguala42,3%e
uma especificidade igual a 76,7%, isto é, são identificados corretamente 42,3% dos indivíduos do sexo
masculinoe76,7%dosindivíduosdosexofeminino,concluindoqueomodeloajustacorretamente62,3%
dos inquiridos o que representa uma boa qualidade de ajustamento. Porém, omodelo encontrado tem
aindaumafracacapacidadediscriminativa(AUC=0,615).
Caracterizaçãodoshábitosdee-commerce
99
Tabela55:ValoresprevistoscomoModelodeRegressãoLogísticaobtidoparaossexosemfunçãodasdesvantagens,usandoopontodecorte0,40
Observed
Predicted
Sexo PercentageCorrectFeminino Masculino
Sexo Feminino 178 54 76,7
Masculino 97 71 42,3
OverallPercentage 62,3
a.Pontodecorte=0,400
Gráfico54:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaasdesvantagensnacompraOnline,usandocomovariávelsuplementar“Sexo”
Atrávésdosvalores∑,podemosconstruirafunçãologisticaassociadaaomodeloobtido:
ƒ»πó∆ Ø h = ∑s + ∑t. ù≠»ô ∆»_«∞≠_∞h∆≠¨ßó¨ô»_» _∞«∆¨≠_∞«∆≠¨π¨ô» + ∑á. ù≠¨◊»_ô∞_∞r∆≠π¨+ ∑ö. À¨ƒ∆¨_ô∞_¨ù»ó»_r»_ù≠∞_∞_ù»«ß∞rô¨ + ∑—. «∞π ≠¨r¶¨
= 0,989. ù≠»ô ∆»_«∞≠_∞h∆≠¨ßó¨ô»_» _∞«∆¨≠_∞«∆≠¨π¨ô» + 1,149. ù≠¨◊»_ô∞_∞r∆≠π¨
+ 0,395. À¨ƒ∆¨_ô∞_¨ù»ó»_r»_ù≠∞_∞_ù»«ß∞rô¨ + 0,435. «∞π ≠¨r¶¨ − 3,838
Caracterizaçãodoshábitosdee-commerce
100
PorviaacompararasvariáveiseconclusõesretiradasatravésdaAnálisedeCorrespondênciasmúltipla,
dafunçãodeFisherresultantedaAnáliseDiscriminanteedaRegressãoLogisiticaquandosujeitasao
mesmoproblema,concluiu-sequequernaAnálisedeCorrespôndenciasMultiplas(ACM)queratravésda
FunçãodeFisherresultantedaAnáliseDiscriminante(AD)conclui-sequenãoexistemdiferençasentre
compradoresenãocompradoreseentregénerosnoquedizrespeitoàsdesvantagensassociadasàcompra
onlineidentificadaspelosindivíduosnaamostraemestudo.Noquedizrespeitoàsvariáveisidentificadas
comorelevantesnaAnáliseDiscriminante(AD)enaRegressãoLogistica(RL),registou-seque:
• Asvariáveisescolhidas,paraADparaosgruposconstruídosporhomens/mulherese
compradores/nãocompradores,foramasmesmas;
• ExistiramdiferençasentreasvariáveisselecionadasparaomodelodeRLentreosdoisgrupos;
• OsmodelosdeADeRLidentificaramvariáveisdistintasnoestudoparaosgruposde
compradores/nãocompradoresehomens/mulheres;
Tabela56:TabelaresumodosmétodosutilizadosnaanálisedasdesvantagensemcomprarOnline
Compradoresvs.NãoCompradores
Homensvs.Mulheres
Existemindíciosde
diferençasentreosgrupos?
Variáveis
diferenciadoras
Existemindíciosde
diferençasentreosgrupos?
Variáveis
diferenciadoras
Análisede
CorrespondênciasMúltiplasNão Não
AnáliseDiscriminante->
FunçãodeFisherNão
Não
RegressãoLogística Sim
• Portesdeenvio
• Enviodoproduto
errado
• Prazodeentrega
• Faltadeapoiono
préepós-venda
Sim
• Faltadeapoiono
préepós-venda
• Segurança
Quandoquestionadossobrequaisosmotivosquepoderiamlevaracomprar/comprarmaisonline,não
houvediferençasevidentesentregéneros,porémdetetaram-sealgumasdiscrepânciasentreasopiniõesde
compradoresenãocompradores(
Caracterizaçãodoshábitosdee-commerce
101
4.6.3) MotivaçõesepreferênciasnacompraOnline
Tabela57).Oscompradorescomprariammaisonlinecasoexistaopçãodeentregarápida(32,8%facea
nãocompradores),pressãodefamiliares/amigos(45,3%contra39,8%)ouportesgratuitos(15,3%versusa
12,7%dosnãocompradores).Jáosnãocompradorescomprariamonlinepoderiamtornar-secompradores
casoexistamdescontosexclusivosonline(8,5%facea1,1%doscompradores),casooprocessodecompra
sejasimpleserápido(7,6%versus1,8%)eaindaporoutrosmotivosnãoespecificados(3,4%facea0,4%
doscompradores).
4.6.4) MotivaçõesepreferênciasnacompraOnline
Tabela57:Quaisosmotivosqueopoderiamlevaracomprar/comprarmaisonline?
Género Costumarealizercomprasonline?
Masculino Feminino Compradores Nãocompradores
PortesdeEnvioGratuítos17,2% 12,7% 15,3% 12,7%
DescontosExclusivosOnline
3,1% 3,5% 1,1% 8,5%
Opçãodeentregarápida30,7% 30,1% 32,8% 24,6%
Nãosei0,0% 0,4% 0,4% 0,0%
Processodecomprasimpleserápido
4,9% 2,6% 1,8% 7,6%
Produtosituadoforadoalcancehabitacional
0,6% 0,4% 0,7% 0,0%
Outros1,8% 0,9% 0,4% 3,4%
Outrosmodosdepagamento
0,6% 0,0% 0,4% 0,0%
Possibilidadedetroca/devoluçãosem
custos0,6% 3,5% 1,8% 3,4%
Pressãodeamigos/familiares
40,5% 45,9% 45,3% 39,8%
Caracterizaçãodoshábitosdee-commerce
102
Outrodadoareteréqueapenas1,5%dosinquiridosexigereceberoprodutocompradoonlinenodia
seguinte,enquantoque11,0%estádispostoaesperarmaisdeduassemanaspelaentregadacompra
efetuada.
Gráfico55:TempomáximoparaentregadecompraOnline
Umadasprincipaisvantagensdaslojasonlineparaosconsumidoresestárelacionadacomoutilizador
poderescolherecompararosprodutosentreváriaslojas/fornecedoresemsimultâneo.Nestesentidofoi
questionadoaosinquiridosseestescostumamcompararprodutosonline,sendoque75,8%dosinquiridos
responderamafirmativamente,sendoestapercentagemsuperiornoshomens(84,5%facea69,4%das
mulheresinquiridas)e,naturalmente,entreoscompradoresonline(94,1%).
Gráfico56:InquiridosquecomparamprodutosOnline
0%
10%
20%
30%
40%
50%
0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
1)dia 2-3)dias Uma)semana Duas)semanas Mais)de)duas)semanas
0%
25%
50%
75%
100%
Sim Não
Masculino Feminino
Caracterizaçãodoshábitosdee-commerce
103
4.6.4) MeiosdecomunicaçãoOnline
Noquedizrespeitoaosmeiosdecomunicaçãoconsideradosmaiseficazesparapublicitarumproduto
online,omeiopreferencialpara48,75%dosinquiridoséoemail.Dedestacaraindaapublicidadeno
Facebook(33,50%)eaindaosanúnciosdetextoemmotoresdebusca(25,50%).Umapercentagemainda
relevantedosinquiridos(15,25%)revelounãosaberqualomeioqueconsideramaiseficaz.
Osinquiridosdosexofemininomostrarampreferirmaisosemailspublicitários(51,29%facea45,24%
doshomens),eapublicidadenoFacebook(37,93%versus27,38%).Jáoshomensmostrarampreferirtodos
osrestantesmeiosdeangariação,comdestaqueparaosbannersdepublicidade(13,10%versus4,74%).
Note-sequeforamtambémoshomensosquemaisdenotaramdesconhecimentosobreomeiode
comunicaçãomaiseficaz:18,45%versus12,93%dasinquiridas.
Porviaaavaliarseasdiferençasencontradasrelativamenteosmeiosdepublicidadequecompradorese
nãocompradoresehomensemulheresidentificaramcomoaquelesquegarantemmaiorsucessojuntodos
utilizadoresoptou-seporcompararnovamenteosresultadosdaAnálisedeCorrespondênciasMúltiplas,da
funçãodeFisherresultantedaAnáliseDiscriminanteedaRegressãoLogística.
Gráfico57:Meiosdepublicidadeconsideradosmaiseficazesporcadaumdossexos
0%
20%
40%
60%Anúncios-no-Google-/-Sapo-/-...
Emails-publicitários
Não-sei
Banners
Televisão
SMS
Publicidade-no-Facebook
Outros
Masculino Feminino
Caracterizaçãodoshábitosdee-commerce
104
Gráfico58:MeiosdepublicidadeconsideradosmaiseficazesporCompradoreseNãoCompradoresOnline
Demodoaavaliarasdiferençasentreentreosmeiosdepublicidademaiseficazesidentificadospor
compradoresenãocompradoreseentregéneros,serãocomparadostrêsmétodos:aAnálisede
CorrespondênciasMúltiplas,aanálisedafunçãodeFisherassociadaàAnáliseDiscriminanteeaRegressão
Logística.Porém,umavezqueexistemvariáveiscomumnúmeroreduzidodeobservações,optou-seporse
efetuarumaAnálisedeClusters,comcarácterexploratório,demodoaidentificareventuaisassociações
entreasvariáveisporviaaagruparvariáveiscompoucasobservações.
Numaprimeirafasetraçou-seumaanálisedeClustersparaaglobalidadedosdados,usandovários
métodosdeclassificaçãohierárquica:centroides,maiordistânciaemétododeWard,usandocomomedida
deassociaçãooPhi,tendo-seobtidoosseguintesdendogramaserespetivográficosdoscoeficientesde
fusão.
0%
20%
40%
60%Anúncios-no-Google-/-Sapo-/-...
Emails-publicitários
Não-sei
Banners
Televisão
SMS
Publicidade-no-Facebook
Outros
Compradores Não-compradores
Caracterizaçãodoshábitosdee-commerce
105
Gráfico59:Dendogramadosmeiosdepublicidademaiseficazesusandoométododoscentroides
Gráfico60:Dendogramapublicidademaiseficazesusandoométododamaiordistância
Gráfico61:DendogramapublicidademaiseficazesusandoométododeWard
Atravésdaanálisedosdendogramasanteriores,verifcou-sequetodososmétodospossuemumbom
poderdiscriminativodasvariáveis.Osgráficosdoscoeficientesdefusãonãosemostrarameficazesno
agrupamentodasvariáveis.Assim,optou-seporunificarasvariáveis“Televisão”e“Outros”(quedoravante
serádenominadapor“Televisão/Outros”).
Caracterizaçãodoshábitosdee-commerce
106
Aescolhadestasvariáveisfoivalidadatambémpelosdendogramasefetuadosatravésdaanálisede
clustersusandoasmesmasvariáveisparaambosossexoseparacompradoresenãocompradores,de
acordocomométododeWard:
Gráfico62:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoFeminino
Gráfico63:DendogramadasdesvantagensusandoométododeWardparaosinquiridosdosexoMasculino
Gráfico64:DendogramadasdesvantagensusandoométododeWardparaosinquiridos
nãocompradores
Gráfico65:DendogramadasdesvantagensusandoométododeWardparaosinquiridos
compradores
Deseguida,edemodoaavaliarasdiferençasentreasdesvantagensidentificadasentrecompradorese
não compradores e entre géneros relativamente às desvantagens da compra Online será feita uma
Caracterizaçãodoshábitosdee-commerce
107
comparaçãoentreaAnálisedeCorrespondênciasMúltiplas,aAnáliseDiscriminanteearegressãologística,
usandocomovariáveis “Televisão/Outros”, “Banners”, “Nãosei”, “AnunciosnoGoogle /Sapo...”, “SMS”,
“PublicidadenoFacebook”e“Emailspublicitários”.
Análisedecorrespondênciamúltiplas:
Recorremos à ACM para realizar uma análise conjunta dos meios de publicidade mais eficazes
identificados pelos inquiridos. Simultaneamente verificaremos se existem diferenças entre as meios de
publicidademaiseficazes identificadosporcompradoresepelosnãocompradores,bemcomoseexistem
diferenças entre géneros. Começou-se por se definir o número máximo de dimensões que permitem
representaroconjuntodedados, i.e.,7(anexo9).Emfunçãodosresultadosobtidos,umcritériopassível
deserseguidoparaaescolhadonúmerodedimensõesseriaaescolhadasdimensõescujovalorpróprio
superiora1ouaindaoptar-seporumnúmero suficientededimensõesqueexplicasse80%davariância
total.Seguindoestesmétodosaopçãopassariaporescolher5dimensões.
Assim, e conjugando o o decaimento dos valores próprios (Gráfico 66) e da análise dasmedidas de
discriminação obtidas(Tabela 58) optou-se por 4 dimensões, uma vez que a partir da 5 dimensão, as
variáveis relevantes para cada dimensão não adicionam nada de novo face às anteriores. Assim, o as
dimensõesretidasrepresentam71,6%davariânciatotal.
Gráfico66::Representaçãodavariânciadasdimensõesassociadasaosmeiosdepublicidademaiseficazes
0 0.3 0.6 0.9 1.2 1.5
1
2
3
4
5
6
7
Caracterizaçãodoshábitosdee-commerce
108
Tabela58:MedidasdediscriminaçãoassociadasàACMdosmeiosdepublicidademaiseficazes
Dimension
Mean1 2 3 4
AnúnciosnoGoogle/Sapo/... .082 .430 .060 .002 .143Emailspublicitários .587 .008 .023 .002 .155Nãosei .536 .356 .007 .039 .235Banners .011 .088 .536 .000 .159SMS .290 .128 .000 .001 .105PublicidadenoFacebook .003 .366 .458 .000 .207Televisão/Outros .013 .009 .000 .974 .249CostumarealizarcomprasOnline?a .004 .003 .036 .004 .012Sexoa .020 .000 .026 .003 .012ActiveTotal 1.523 1.385 1.084 1.018 1.252%ofVariance 21.750 19.785 15.487 14.543 17.891
a.Supplementaryvariable.
Combasenosvaloresdasmedidasdediscriminição(Tabela58)econsiderandoasvariáveisquemais
contribuemparaaformaçãodasdimensões,passaremosadenominarcadaumadasdimensõesanterioes
doseguintemodo:
• Dimensão1:“Emailspublicitáriosenãosei”(variáveis“Emailspublicitários”e“Nãosei)
• Dimensão2:“Pesquisaeredessociais”(variáveis:“AnúnciosnoGoogle/Sapo/...”,“Nãosei”e
“PublicidadenoFacebook”)
• Dimensão3:“Meiosdepublicidadedeinduçãodeprocura”(variáveis”Banners”e“Publicidadeno
Facebook”)
• Dimensão4:“Televisão/Outros”(variável:“Televisão/Outros”)
Note-se ainda que os valores dasmedidas de discriminação das variáveis “Costuma realizer compras
online?”e“Sexo”sãobastantepróximasdezeroparatodasasvariáveis,oqueindiciaanãoexistênciade
diferençasentreoselementosdestesgrupos.
Caracterizaçãodoshábitosdee-commerce
109
Tabela59:PosicionamentodasvariáveismaisrelevantesparaaACMdosmeiosdepublicidademaiseficazes
Quantificaçõesnegativas Quantificaçõespositivas
Emailspublicitáriose
nãosabe
(Dimensão1)
Emailspublicitários_Não
Nãosei_Sim
Emailspublicitários_Sim
Nãosei_Não
Pesquisaeredes
sociais
(Dimensão2)
AnúnciosnoGoogle/Sapo/..._Sim
Nãosei_Não
PublicidadenoFacebook_Sim
AnúnciosnoGoogle/Sapo/..._Não
Nãosei_Sim
PublicidadenoFacebook_Não
Meiosdepublicidade
deinduçãodeprocura
(Dimensão3)
Banners_Sim
PublicidadenoFacebook_Não
Banners_Não
PublicidadenoFacebook_Sim
Televisão/Outros
(Dimensão4)Televisão/Outros_Não Televisão/Outros_Sim
Com base na informação da Tabela 59 podemos interpretar a dimensãoEmails publicitários e não
sabecomoaquecaracterizaos indivíduosqueseposicionamdemodoopostorelativamenteaEmailsde
publicidadeeanãosaberquaisosmeiosdepublicidadeonlinemaiseficazes.
Já a dimensão de Pesquisa e redes sociais caracteriza-se pelos indivíduos que concordam
relativamenteaAnúnciosnoGoogle /Sapo/..._eaPublicidadenoFacebook,porémdiscordamemnão
saberquaisosmeiosmaiseficazes.
AdimensãodeMeiosdepublicidadedeinduçãodeprocuraéadimensãoqueopõeosindivíduosque
consideram os Banners como meios eficazes de publicidade relativamente aos que consideram a
PublicidadenoFacebook.
Finalmente, a dimensão Televisão/Outros, representa os indivíduos que consideram que os meios
publicitáriosmaiseficazessãoatelevisãoeoutros.
Caracterizaçãodoshábitosdee-commerce
110
Combasenovalordascoordenadasdoscentroides,representou-segraficamenteasdimensõesmais
relevantesquandocomparadasduasaduas:
Gráfico67:CoordenadasdoscentroidesdaACMparaosmeiosdepublicidademaiseficazes:
Dimensão1vsDimensão2
Gráfico68:CoordenadasdoscentroidesdaACMparaosmeiosdepublicidademaiseficazes:
Dimensão3vsDimensão4
Da análise dos gráficos anteriores é possível identificar, tendo em conta as variáveis que mais
discriminamasrespectivasdimensões,4perfisdistintosdecompradores:
1. Indivíduos que preferem meios mais generalistas como televisão/outros, anúncios no
Google/Sapo/...eBanners,poroposiçãoàsSMSeaosemailspublicitários;
2. IndivíduosqueoFacebookéomeiopublicitáriomaiseficaz;
3. IndivíduosqueconsideramquemeiosmaisreactivoscomoosbannerseasSMSsãoosmeios
maiseficazes;
4. IndivíduosquepreferemosanúnciosnoGoogle/Sapo/...apublicidadenoFacebook.
S
N SN
N
S
N
N
S
N
S
N#CompCompFemMasc
S
NSN
S
NN
SN
S
N
S
N#CompCompFemMasc
Anúncios(no(Google(/(Sapo(/( ...
Emails(publicitários_NEmails(publicitários
N
Não(sei
Banners_NSMS_N
SMS0.43
Publicidade(no(Facebook
N
Televisão!/Outros
N(CompCostuma(realizar(compras(
Online?FemSexo
Anúncios(no(Google(/(Sapo(/(... Emails(publicitários Não(sei
Banners SMS Publicidade(no(Facebook
Televisão!/Outros Costuma(realizar(compras(Online? Sexo
Perfil1
Perfil2
Perfil3
Perfil4
Perfil2
Perfil1
Caracterizaçãodoshábitosdee-commerce
111
Destaca-se ainda que as coordenadas dos centroides para os dois géneros, se encontram bastante
próximasentresi(edaorigem),oque,maisumavezindica,anãoexistênciadediferençasentreosgrupos
noquedizrespeitoaosmeiospublicitáriosmaiseficazes.
AAnálisedeClustershierárquicaaplicadaàscoordenadasdosindivíduosnasdimensõesretidassugere
oagrupamentodosindivíduos3grupos(Gráfico69).
Gráfico69:CoeficientesdefusãodaanálisedeClustersassociadaaosmeiosdepublicidademaiseficazes–métododovizinhomaisafastado
Ográficoanteriorconfirmaamanutençãodocritérioanterior,istoéadivisãodosdadosem3grupos.
Assim, e por via a enriquecer os resultados obtidos para compradores vs. Não compradores e por
género recorreu-se base nos scores de cada observação em cada dimensão, obtidos na análise anterior
utilizou-seométodok-meansdeformaaagruparcadaobservaçãoem3grupos,sendoquefoiobtidoqueo
grupo1seriacompostapor193individuos,ogrupo2por64individuoseogrupo3por143.
A partir deste clustering desenhou-se uma tabela de contigência por via a caracterizar o perfil dos
inquiridosnos3grupos identificados, tendo-se concluídoqueogrupo1é caracterizadopelos indivíduos
quetêmumaopiniãoformadasobreosmeiosdepublicidademaiseficazes,masqueporémnãovalorizam
bannersnemtelevisão/outros.
Os indivíduos do grupo 2 alegam desconhecimento dos meios de publicidade mais eficazes, não
considerandonenhumdosapresentadoscomoeficazes.
Já o terceiro grupo, também tem opinião formada sobre os meios publicitários mais relevantes,
considerandoqueosemailsdepublicidadesãoosmeiosmaiseficazes,contrastantocomosanúnciosno
Google/sapo/...,osbanners,asSMSetelevisão/outros.
0
20
40
60
80
100
120
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Caracterizaçãodoshábitosdee-commerce
112
ApartirdaAnálisedeClustersnãohierárquicaK-meansépossívelcaracterizarosindivíduosdecadaum
dosgruposdaseguinteforma(Tabela60):
• Grupo1 (48%dos inquiridos): caracteriza-sepelos indivíduosqueconsideramosbanners ea
publicidadenofacebookcomoosmeiosdepublicidademaiseficazes;
• Grupo2(16%dosinquiridos):écompostopelosindivudosquepreferematelevisão/outrosface
atodososoutrosmeiospublicitários
• Grupo3(36%dosinquiridos):representaosindivíduosqueenaltecemosemailspublicitários.
Tabela60:Caracterizaçãodos3gruposidentificados,relativamenteaosmeiosdepublicidademaiseficazes,identificadospelosinquiridos.
Categoria Grupo1 Grupo2 Grupo3 Total
AnúnciosnoGoogle/Sapo/...
Não 50,0% 96,8% 85,1% 74,5%Sim 50,0% 3,2% 14,9% 25,5%
EmailspublicitáriosNão 100,0% 100,0% 0,0% 51,2%Sim 0,0% 0,0% 100,0% 48,8%
NãoseiNão 100,0% 4,8% 100,0% 85,0%Sim 0,0% 95,2% 0,0% 15,0%
BannersNão 84,5% 100,0% 94,4% 91,8%
Sim 15,5% 0,0% 5,6% 8,3%
SMSNão 66,2% 100,0% 73,3% 75,0%Sim 33,8% 0,0% 26,7% 25,0%
PublicidadenoFacebook
Não 41,5% 100,0% 73,8% 66,5%Sim 58,5% 0,0% 26,2% 33,5%
Televisão/OutrosNão 99,3% 95,2% 100,0% 99,0%Sim 0,7% 4,8% 0,0% 1,0%
SexoFeminino 59,2% 46,0% 61,0% 58,0%Masculino 40,8% 54,0% 39,0% 42,0%
Total 48% 16% 36% 100%
Nota:Anegritoidentificaram-seasprincipaiscaracterísticasdosgrupo.
Caracterizaçãodoshábitosdee-commerce
113
Análisediscriminante:
Deentreasvariáveisselecionadascombasenovalorabsolutovaloresdamatrizdeestrutura(anexo10),
verifica-sepelaestatísticaLambdadeWilksqueosconsumidoresestãobeminformadosrelativamenteaos
meiosdepublicidade,umavezqueavariável“nãosei”nãofoiselecionadaparaomodelo(Tabela61)
Tabela61:ModelofinaldeAnáliseDiscriminanteobtidoparaosmeiosdepublicidademaiseficazes,variáveldegrupo“Costumarealizarcomprasonline”
Wilks'Lambda F df1 df2 Sig.
AnúnciosnoGoogle/Sapo/... .993 2.949 1 398 .087Emailspublicitários .975 10.142 1 398 .002Banners .979 8.578 1 398 .004SMS .995 1.832 1 398 .177PublicidadenoFacebook .980 7.929 1 398 .005Televisão/Outros .996 1.550 1 398 .214
Tabela62:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteobtidoparaosmeiosdepublicidademaiseficazes,variáveldegrupo“Costumarealizarcomprasonline”
CostumarealizarcomprasOnline?
Não Sim
AnúnciosnoGoogle/Sapo/... 14.902 14.478Emailspublicitários 13.607 14.303Banners 20.553 21.826SMS 15.142 14.638PublicidadenoFacebook 13.488 12.891Televisão/Outros 121.618 123.135(Constant) -110.561 -112.458
DestemodoasfunçõesdeFisherresultantesdaanálisediscriminantesãodaforma:
û”‘ɧ’ h = 14,902. ¨r r¶ó»«_π»»πƒ∞_«¨ù» + 13,607. ∞ñ¨óƒ«_ù √ƒó¶ó∆¨≠ó»« + 20,553. √¨rr∞≠«
+ 15,142. «ñ« + 13,488. ÿ √_Ÿ¨¶∞√»»{ + 121,618. ∆∞ƒ∞ßó«ã»/Ω ∆≠»« − 110,561
û‘ɧ’ h = 14,478. ¨r r¶ó»«_π»»πƒ∞_«¨ù» + 14,303. ∞ñ¨óƒ«_ù √ƒó¶ó∆¨≠ó»« + 21,826. √¨rr∞≠«
+ 14,638. «ñ« + 12,891. ÿ √_Ÿ¨¶∞√»»{ + 123,135. ∆∞ƒ∞ßó«ã»/Ω ∆≠»« − 112,458
Caracterizaçãodoshábitosdee-commerce
114
AssimeconsiderandoaspequenasdiferençasentreoscoeficientesdecadaumadasfunçõesdeFisher
temosquenãoexistemindíciosdediferençasrelevantesentreosmeiosdepublicidademaiseficazes
identificadospelosporcompradoresenãocompradores,confirmandoasorientaçõesdotestedeWilks.
Calculou-se,ainda,atravésdaclassificaçãoefetuadaprobabilidadedeumnovoelementodaamostra
pertenceraumdosdoisgrupos(compradoresounãocompradores),sendoque,comoépossívelverificar,
apenas46,8%dosnãocompradoressãobemclassificados,sendoque76,1%doscompradoressãobem
classificadosatravésdestemodelo.Destemodo,constata-sequeestemodeloapresentadeficiênciasna
classificaçãocorrectadosnãocompradores.
Tabela63:Probabilidadedeumnovoelementopertenceraogrupodoscompradores,atravésdomodeloobtidoparaosmeiosdepublicidademaiseficazes
CostumarealizarcomprasOnline?
PredictedGroupMembership
TotalNão SimOriginal % Não 46.8 53.2 100.0
Sim 23.9 76.1 100.0
a.68.0%dasobservaçõesiniciaisforamcorretamenteclassificadas.
Utilizandoumraciocínioanálogo,utilizandoavariávelsexocomovariáveldeagrupamento,eusandoo
mesmo critério para escolhadas variáveis, variáveis, obtiveram-seos resultados apresentadosna Tabela
64.
Tabela64:ModelofinaldeAnáliseDiscriminanteobtidoparaosmeiosdepublicidademaiseficazes,variáveldegrupoosexo
Wilks'Lambda F df1 df2 Sig.
Emailspublicitários .996 1.428 1 398 .233Banners .978 9.144 1 398 .003SMS .983 6.701 1 398 .010PublicidadenoFacebook .988 4.904 1 398 .027Televisão/Outros .995 1.805 1 398 .180Nãosei .993 2.713 1 398 .100
Caracterizaçãodoshábitosdee-commerce
115
Tabela65:CoeficientesdafunçãodeFisherassociadaàAnáliseDiscriminanteparaosmeiosdepublicidademaiseficazes,usandocomoVariáveldegrupo“Sexo”
Sexo
Feminino Masculino
Emailspublicitários 28.522 28.296Banners 36.585 37.549SMS 25.267 24.637PublicidadenoFacebook 29.499 28.942Televisão/Outros 141.963 143.036Nãosei 49.442 49.506(Constant) -177.262 -177.614
Assim,asfunçõesdeFisherresultantesdaanálisediscriminantesãodaforma:
û¡¬§ h = 28,522. ∞ñ¨óƒ«_ù √ƒó¶ó∆á≠ó»« + 36,585. √¨rr∞≠« + 25,267. Õ⁄Õ
+ 29,499. ù √ƒó¶óô¨ô∞_À¨¶∞√»»{ + 141,963. ∆∞ƒ∞ß󫨻_» ∆≠»« + 49,442. r¨»_«∞ó
− 177,262
ûÃÄÅÇ h = 28,296. ∞ñ¨óƒ«_ù √ƒó¶ó∆á≠ó»« + 37,549. √¨rr∞≠« + 24,637. Õ⁄Õ
+ 28,942. ù √ƒó¶óô¨ô∞_À¨¶∞√»»{ + 143,036. ∆∞ƒ∞ß󫨻_» ∆≠»« + 49,506. r¨»_«∞ó
− 177,614
AssimeconsiderandoaspequenasdiferençasentreoscoeficientesdecadaumadasfunçõesdeFisher
temos que não existem indícios de diferenças relevantes entre os meios de publicidade mais eficazes
identificadospelosdoisgéneros,confirmandoasorientaçõesdotestedeWilks.
Calculou-se, ainda, através da classificação efetuadaprobabilidadede umnovoelementoda amostra
pertencer a um dos dois grupos (homens oumlheres), sendo que, como é possível verificar, 61,6% dos
elementosdofexofemininosãobemclassificados,que63,7%doshomenssãobemclassificadosatravés
destemodelo.
Caracterizaçãodoshábitosdee-commerce
116
Tabela66:Percentagemdehomensemulheresclassificadoscorretamente,atravésdomodeloobtidoparaosmeiosdepublicidademaiseficazes
Sexo
PredictedGroupMembership
TotalFeminino MasculinoOriginal % Feminino 61.6 38.4 100.0
Masculino 36.3 63.7 100.0
a.62.5%dasobservaçõesiniciaisforamcorretamenteclassificadas.
Regressãologística:
Para construir um modelo de regressão logistica para a variável “Costuma realizar compras online”
considerandoosmeiosdepublicidadecomovariáveis independentes, introduziram-se todasosmeiosde
publicidade online em simultâneo e foi feita uma seleçãomanual das variáveisutilizando o indice œ.–.±
,
sendo que quanto menores forem os valores deste rácio, maior será a contribuição da variável para o
modelo. Utilizando este raciocínio, chegou-se ao seguintemodelo apresentado na Tabela 67, do qual é
possívelverificarqueosemailspublicitárioseosbannerssãofatorespotenciadordesercompradoronline. Tabela67:ModelodeRegressãoLogísticaobtidoparaosmeiosdepublicidademaiseficazes,usandocomo
variávelsuplementar“Costumarealizarcomprasonline”
B S.E.Õ. Œ.∑
Exp(B)
AnúnciosnoGoogle/Sapo
-.431 .245 0,568 .650
Emailspublicitários .647 .216 0,334 1.910
Banners 1.905 .532 0,279 6.717
SMS -.510 .240 0,471 .600
PublicidadenoFacebook
-.580 .220 0,379 .560
Para um ponto de corte de 0,70 obtemos um modelo com sensibilidade igual a 76,1% e uma
especificidadeiguala46,8%,istoésãoidentificadoscorretamente76,1%doscompradorese46,8%dosnão
compradores,concluindoqueomodeloajustacorretamente66,3%dos inquiridosoquerepresentauma
qualidaderazoaveldeajustamento.Omodeloencontradotemaindaumafracacapacidadediscriminativa
(AUC=0,664)..
Caracterizaçãodoshábitosdee-commerce
117
Tabela68:ValoresprevistoscomoModelodeRegressãoLogísticaparaoscompradoresonlineemfunçãodosmeiosdepublicidadeonline,usandoopontodecorte0,70
Observed
Predicted
CostumarealizarcomprasOnline? Percentage
CorrectNão Sim
CostumarealizarcomprasOnline?
Não 52 59 46.8
Sim 69 220 76.1
OverallPercentage 68.0
a.Pontodecorte=.700
Gráfico70:CurvaROCassociadoaoModelodeRegressãoLogísticaobtidoparaosmeiosdepublicidademaiseficazes,usandocomovariávelsuplementar“Costumarealizarcomprasonline”
Atrávésdosvalores∑,podemosconstruirafunçãologisticaassociadaaomodeloobtido:ƒ»πó∆ Ø h = ∑t. ¨r r¶ó»«_r»_π»»πƒ∞_«¨ù»_…+ ∑á. ∞ñ¨óƒ«_ù √ƒó¶ó∆¨≠ó»« + ∑ö. √¨rr∞≠« + ∑—. Õ⁄Õ
+ ∑¤. ù √ƒó¶óô¨ô∞_r»_À¨¶∞√»»{
= −0.431. ¨r r¶ó»«_r»_π»»πƒ∞_«¨ù»_…+ 0,647. ∞ñ¨óƒ«_ù √ƒó¶ó∆¨≠ó»« + 1,905. √¨rr∞≠«− 0,510. Õ⁄Õ − 0,580. ù √ƒó¶óô¨ô∞_r»_À¨¶∞√»»{
Caracterizaçãodoshábitosdee-commerce
118
Utilizandoumraciociniosemelhante,utilizou-searegressãologisitcaparamodelarosexoemfunção
dosmeiosdepublicidadeonlineidentificados,tendo-seobtidoomodelopresentenaTabela69,que
permitiuconcluirque:
• UmindivíduoqueprefiraosEmailspublicitáriostemquaseodobrodaspossibilidadesdeser
mulherdoquehomem;
• UmindivíduoqueprefiraSMStemmaisdodobrodaspossibilidadesdesermulherdoque
homem;
• UmindivíduoqueprefiraPublicidadenoFacebooktemquaseodobrodaspossibilidadesdeser
domulherdoquehomem;
Repetindoomesmoraciocínio,agoraparamodelarosexoemfunçãodosmeiosdepublicidademais
eficazes,épossivelverificarqueosemailspublicitários,asSMSeapublicidadenoFacebooksãofatores
definidoresdoselementosdosexofeminino.(Tabela69).
Tabela69:ModelodeRegressãoLogísticaobtidoparaosmeiospublicitáriosmaiseficazes,usandocomovariávelsuplementar“Costumarealizarcomprasonline”
B S.E.Õ. Œ.∑
Exp(B)
Emailspublicitários -.311 .209 0,672 .733
SMS -.732 .251 0,343 .481
PublicidadenoFacebook -.645 .228 0,353 .524
Constant 1.902 .588 0,309 6.697
Assim,aoutilizarmosumpontodecortede0,40obtemosummodelocomsensibilidadeiguala58,9%e
uma especificidade igual a 62,5%, isto é, são identificados corretamente 58,9% dos indivíduos do sexo
masculinoe62,5%dosindivíduosdosexofeminino,concluindoqueomodeloajustacorretamente61,0%
dosinquiridosoquerepresentaumaboaqualidadedeajustamento.Omodeloencontradotemaindauma
fracacapacidadediscriminativa(AUC=0,618).
Caracterizaçãodoshábitosdee-commerce
119
Tabela70:ValoresprevistoscomoModelodeRegressãoLogísticaparaossexosemfunçãodosmeiosdepublicidadeonline,usandoopontodecorte0,40
Observed
Predicted
Sexo PercentageCorrectFeminino Masculino
Sexo Feminino 145 87 62.5
Masculino 69 99 58.9
OverallPercentage 61.0
a.Pontodecorte=.400
Gráfico71:CurvaROCassociadoaoModelodeRegressãoLogísticaparaosexoemfunçãodosmeiosdepublicidademaiseficazes
Atrávésdosvalores∑,podemosconstruirafunçãologisticaassociadaaomodeloobtido:
ƒ»πó∆ Ø h = ∑s + ∑t. ∞ñ¨óƒ«_ù √ƒó¶ó∆¨≠ó»« + ∑á. Õ⁄Õ + ∑ö. ù √ƒó¶óô¨ô∞_r»_À¨¶∞√»»{
= 1,092 − 0,311. ∞ñ¨óƒ«_ù √ƒó¶ó∆¨≠ó»« − 0,732. Õ⁄Õ − 0,645. ù √ƒó¶óô¨ô∞_r»_À¨¶∞√»»{
Caracterizaçãodoshábitosdee-commerce
120
PorviaacompararasvariáveiseconclusõesretiradasatravésdaAnálisedeCorrespondênciasmúltipla,
da função de Fisher resultante da Análise Discriminante e da Regressão Logisitica quando sujeitas ao
mesmo problema, segue a tabela resumo dos meios de publicidade mais eficazes identificadas por
compradores e não compradores e entre géneros entre os vários modelos utilizados (Tabela 71),
concluindo-sequequernaAnálisedeCorrespôndenciasMultiplas(ACM)queratravésdaFunçãodeFisher
resultantedaAnáliseDiscriminante(AD)conclui-sequenãoexistemdiferençasentrecompradoresenão
compradoreseentregénerosnoquedizrespeitoaosmeiospublicitáriosquemaisimpulsionamacompra
onlineidentificadaspelosindivíduosnaamostraemestudo.
NoquedizrespeitoàsvariáveisidentificadascomorelevantesnaAnáliseDiscriminante(AD)ena
RegressãoLogistica(RL),registou-seque:
• Todasasvariáveisescolhidas,paraADparaosgruposconstruídosporhomens/mulheres
tambémforamselecionadaseporcompradores/nãocompradores:
• Todasasvariáveisescolhidas,paraRLparaosgruposconstruídosporhomens/mulheres
tambémforamselecionadaseporcompradores/nãocompradores:
• TodasasvariáveisselecionadasparaaRLtambémforamselecionadasnomodelodeADquer
paraogrupodecompradores/nãocompradoresquerparahomens/mulheres;
Caracterizaçãodoshábitosdee-commerce
121
Tabela71:TabelaresumodosmétodosutilizadosnaanálisedosmeiosdepublicidademaiseficazesemcomprarOnline
Compradoresvs.NãoCompradores
Homensvs.Mulheres
Existemindíciosde
diferençasentreosgrupos?
Variáveis
diferenciadoras
Existemindíciosde
diferençasentreos
grupos?
Variáveis
diferenciadoras
Análisede
CorrespondênciasMúltiplasNão
Não
AnáliseDiscriminante->
FunçãodeFisherNão
Não
RegressãoLogística Sim
• Banners
• Emails
publicitários
• Anúnciosno
Google/Sapo/...
• SMS
• Publicidadeno
Sim
• Emails
publicitários
• SMS
• Publicidadeno
Caracterizaçãodoshábitosdee-commerce
122
5) ConsideraçõesFinais5.1) Limitaçõesdoestudo
Ao longodoestudoforamabordadasváriasvezesas limitações inerentesaoprocessodeamostragem
utilizadoparaarecolhadaamostra,limitandoesteosmétodosestatísticosautilizaraolongodoestudo:a
escolhademodosalternativosdeseleçãodevariáveis,anãoexploraçãodetodoopotencialdecadaum
dos métodos (por via da não validação de tudo o que são pressupostos probabilísticos) assim como a
validadedasconclusõesparaumgrupodeindivíduosdistintodaqueleemanálisenestetrabalho.
Acomparaçãoefetuadaentreosváriosmétodosestudadosmerece igualmentevalidaçãoemestudos
futuros,demodoa suplantareventuaisenviesamentospor viadaamostra.Aobtençãodeumaamostra
representativadouniversoPortuguêsétalvezomaiordesafionestetipodeestudos.Essaamostrapoderia
constituirumaexcelentebaseparafuturostrabalhoscapazesdecompreenderdeformamaisfidedignao
estadodaartedoe-commerceemPortugal.
Apesardeabordadasaolongodotrabalho,seráimportanteaprofundarmaisasquestõesdapublicidade
online,de formaacompreender-sequaisosmeiosdecomunicaçãodigitalondecada tipodeanunciante
deverá investir o seu orçamento e quais as estratégias mais eficazes para cada um destes meios de
comunicação.Estestópicossãodefactoimportantesparaummelhortrabalhonaangariaçãodeclientese
nocrescimentodotecidoempresarialportuguêsnomeioonline.
5.2) Conclusõessobreashipótesescolocadas
Deacordo comas análises efetuadas e os resultados obtidos (Capitulo 4) segue a tabela resumodas
conclusõesparacadaumadashipótesescolocadas(Secção3.1)naconstruçãodesteestudo.
Note-sequetodasasconclusõesobtidasdizemapenasrespeitoessencialmenteàamostraemestudo,
constituindo assim uma base para estudos futuros que compreendam um planeamento amostral mais
complexo,maisadaptadoecommenosrestriçõesdoqueorealizadonesteestudo.
Caracterizaçãodoshábitosdee-commerce
123
Tabela72:Resumodosresultadosparaashipótesesdoestudo
Hipótese Conclusão1)Nãoexistemdiferençasentregénerosnoquedizrespeitoa
comprar(ounão)onlineHipótesevalidada
2)Existemdiferençasentreosprodutoscompradosporhomensepormulheres Hipótesevalidada
3)Existemdiferençasentreosserviçosquehomensemulheres
aderemonline Hipótesenãovalidada
4)Asinquiridasdosexofemininotemmaiortendênciaacomprarporimpulsorelativamenteaoshomens Hipótesenãovalidada
5)Existemdiferençasentreasvantagensdacompraonlineidentificadasporcompradoresenãocompradores Hipótesenãovalidada
6)Existemdiferençasentreasvantagensdacompraonlineidentificadasporhomensemulheres Hipótesenãovalidada
7)Existemdiferençasentreasdesvantagensdacompraonlineidentificadasporcompradoresenãocompradores Hipótesenãovalidada
8)Existemdiferençasentreasdesvantagensdacompraonlineidentificadasporhomensemulheres Hipótesenãovalidada
9)Existemdiferençasentreosmeiosdecomunicaçãodigitalpreferidosporhomensemulheres Hipótesenãovalidada
10)Existemdiferençasentreosmeiosdecomunicaçãodigitalpreferidosporcompradoresenãocompradores Hipótesenãovalidada
Paraalémdavalidaçãodestashipóteses,outrodosobjetivosdestetrabalhopassavapelatentativade
caracterizaroshábitosdeconsumodee-commerce.Nessesentido,ecombasenasanálisesefetuadas,foi
possíveldefinirem-seváriosperfisdeconsumojuntodosinquiridos.Umdosprimeirosresultadosobtidos
foiaconclusãodequeapenasexistiam5tiposdecompradoresonline:osgeneralistas,quecompramtodo
otipodeprodutosdiscriminadosnestetrabalho,eosquecompramoutrosprodutos(nãodiscriminados),
os que compram produtos relacionados com atividades e experiências, os que compram produtos
relacionados com moda e, finalmente, os que compram produtos relacionados com tecnologia e
audiovisual,sendoesteúltimogrupocompostonasuamaioriaporhomens.Concluiu-setambémquequem
comprabrinquedosouautomóveisonline,temumamuitomaiorpossibilidadedeserdosexomasculinodo
Caracterizaçãodoshábitosdee-commerce
124
quedosexofeminino.
No que concerne aos serviços aderidos online, a esmagadora maioria (95%) já tem experiência na
adesãoatodootipodeserviçosnainternet,tendooshomensumamaiortendênciaparausarestemétodo
deadesão.Curiosamente,apenas1%desconhecequeépossíveladeriraestesserviçosonline.
Relativamenteaosnãocompradores,concluiu-sequeoprincipalmotivopelosquaisestesnãorealizam
comprasonlineénãopoderexperimentaroprodutoaovivo.
Identificaram-se tambémváriosperfisdecompradores relativamenteàsvantagenseàsdesvantagens
identificadasporestesrelativamenteàcompraonline.
Finalmenteestudaram-se tambémquaisosmeiosdepublicidadequeos inquiridos julgavamsermais
eficazes,tendo-seidentificadoumperfilcujosmembrosconsideramosemailsdepublicidadecomoomeio
maiseficaz,outroperfildeindivíduosquevalorizamaisanúnciostelevisivosououtrosmeiospublicitáriose
umúltimoperfildeindivíduosquepreferemmeiosdepublicidademaisdirigidosaosseusinteresses,como
éocasodosbannersedapublicidadenoFacebook.
No que diz respeito às comparações feitas entre a Análise de Correspondências Múltiplas (ACM), a
AnáliseDiscriminante(AD)eaRegressãoLogística(RL),notou-seque,deummodogeral,existemalgumas
diferençasnasconclusõesobtidasatravésdosváriosmétodos.EnquantonaACMaprocuradediferenças
entre grupos concretos de indivíduos é feita de uma forma “passiva”, na AD e na RL todo omodelo é
construído jánessaperspetiva.Apesardisso,asconclusõesdaACMcoincidemcomasconclusõesdaAD,
enquantoaRLsemostroucomplementaraestesmétodosaoajudarnaquantificaçãodasdiferençasentre
osgruposemestudo.
Caracterizaçãodoshábitosdee-commerce
125
Bibliografia ACEPI(2010).RelatórioEvolutivodoBarómetrodoComércioElectrónicoemPortugal(1ºTrimestre2010).ANACOM (2004).OComércioElectrónicoemPortugal –OQuadro Legal eoNegócio, Lisboa:AutoridadeNacionaldeComunicações.Benzécri,J.(1982).HistoireetPréhistoiredeL’AnalysedesDonnées.Paris:Dunod.Benzécri,J.(1984).L’AnalysedesDonnées(2Vol.).Paris:Dunod.Bhanji,H.(2010).OImpactodaAplicaçãodoe-commercenumWebsite–OCasodaSamsungElectrónicaPortuguesa.DissertaçãodeMestradoemGestão,ISCTE-IUL.Cabral, C. (2011). Publicidadena Internet –Análise Comparativa da Publicidadenos sites de três JornaisOnline m Cabo Verde. Monografia apresentada para obtenção do grau de Licenciatura em Ciências daComunicação,variantePublicidade.UniversidadeJeanPiagetdeCaboVerde.Cabrita, D. (2012). Métodos multivariados para variáveis qualitativas: aplicação ao estudo de variáveisassociadascomaavaliaçãonadisciplinadeMatemáticadeumaescoladoEnsinoBásiconoConcelhodeVila Nova de Gaia. Tese de Mestrado em Estatística, Matemática e Computação, Especialidade emEstatísticaComputacional.UniversidadeAberta.Carvalho,H.(2008).AnáliseMultivariadadeDadosQualitativos–UtilizaçãodaAnálisedeCorrespondênciasMúltiplascomoSPSS.Lisboa:EdiçõesSílabo.Castro,C.(2012).ComportamentodoConsumidor:ProcuradeInformaçãoeIntençãodeCompraOnlinedeSeguroAutomóvel–AplicaçãoemPortugal.DissertaçãodeDoutoramentoemGestãoEmpresarialAplicada,ISCTEBusinessSchool.Cheung, C., Zhu, L., Kwong, T., Chan,G., Limayem,M. (2003).Online Consumer Behavior: A Review andAgendaforFutureResearch.16thBledeCommerceConferenceeTransformation.Coleman, J. (1958). Relational analysis: The study of social organizations with survey methods. HumanOrganization,17,28–36.ComissãoEuropeia(2009).Europe’sDigitalCompetitivenessReport.ICTCountryProfiles.Vol.II.Conover,W.J.(1999).PracticalNonparametricStatistics.3ªEdição.Wiley.Crivisqui,E.(1999).PRESTA–ProgrammedeRechercheetd’EnseignementenStatistiqueApliquée.Faugier, J., e Sargeant,M. (1997). Samplinghard to reachpopulations. Journal ofAdvancedNursing, 26,790–797.
Caracterizaçãodoshábitosdee-commerce
126
Ferreira,J.(2013).E-commerceeGénero:AnálisedasPercepçõesdeCompradoConsumidor.DissertaçãodeMestradoemMarketing.UniversidadedeLisboa,InstitutoSuperiordeEconomiaeGestão.Goodman,L.(1961).SnowballSampling.TheAnnalsofMathematicalStatistics,32(1),148-170.Hill,M.,eHill,A.(2002).InvestigaçãoporQuestionário.Lisboa:EdiçõesSílabo.Hoz,A.(1985).InvestigaciónEducativa:DicionárioCiênciasdaEducação.Madrid:EdicionesAnaya,S.A.Lima, F. (2012). O Comércio Electrónico e as Plataformas B2C e C2C: contribuições para o estudo docomportamento do consumidor online. Dissertação de Mestrado em Publicidade e Marketing, InstitutoPolitécnicodeLisboa,EscolaSuperiordeComunicaçãoSocial.Lopes,A.(2014).Umestudosobreaspreferênciasdosconsumidoresemmercadosdigitaisetradicionais.Dissertação deMestrado emMarketing Digital. Instituto Superior de Contabilidade e Administração doPorto,InstitutoPolitécnicodoPorto.Maroco,J.(2007).AnáliseEstatísticacomUtilizaçãodoSPSS.Lisboa:EdiçõesSílabo.Nordeste, R. (2009). Publicidade online das empresas: estratégias actuais. Dissertação para obtenção dograu de Mestre em Comunicação Multimédia. Departamento de Comunicação e Arte, Universidade deAveiro.Pestana,M.,eGageiro,J.(2008).AnálisedeDadosparaCiênciasSociais–AComplementaridadedoSPSS.Lisboa:EdiçõesSílabo.Ratner (2010), Variable selection methods in regression: Ignorable problem, outing notable solution,JournalofTargeting,MeasurementandAnalysisforMarketing18,65–75Reis,E.(1997).EstatísticaMultivariadaAplicada.Lisboa:EdiçõesSílabo.Santos, N. (2011). Privacidade e o Comportamento do Consumidor Online – UmModelo Explicativo daIntenção de Utilizar o Comércio Electrónico. Tese submetida como requisito parcial para a obtenção dograudeDoutoremGestão,EspecialidadeemMarketing.DepartamentodeMarketing,OperaçõeseGestãoGeral,ISCTE–IUL.Saraiva, C. (2012). Determinantes do Comportamento de Compra Online. Dissertação de Mestrado emPublicidadeeMarketing,InstitutoPolitécnicodeLisboa,EscolaSuperiordeComunicaçãoSocial.Spreen,M.(1992).Rarepopulations,hiddenpopulationsandlink-tracingdesigns—Whatandwhy?.BulletinMethodologieSociologique,36,p.34-58.Thomson (2009),The Importance of Structure Coefficients in Structural EquationModeling ConfirmatoryFactorAnalysis,InterdisciplinaryApplications.
Caracterizaçãodoshábitosdee-commerce
127
Turban, E., King, D., McKay, J., Marshall, P., Lee, J. e Viehland, D. (2008). Electronic Commerce: AManagerialPerspective.UpperSaddleRiver:Pearson.Vicente,P.,Reis,E.,eFerrão,F.(2001).Sondagens–Aamostragemcomofactordecisivodequalidade.2ªEdição.EdiçõesSílabo.Zhou,L.;Dai,L.Zhang.D.(2007).OnlineShoppingAcceptanceModel:acriticalsurveyofconsumerfactorsinonlineshopping.JournalofElectronicCommerceResearch,8(1),41-62.
Caracterizaçãodoshábitosdee-commerce
128
Anexos
Caracterizaçãodoshábitosdee-commerce
129
Anexo1–Questionário
Caracterizaçãodoshábitosdee-commerce
130
Caracterizaçãodoshábitosdee-commerce
131
Caracterizaçãodoshábitosdee-commerce
132
Caracterizaçãodoshábitosdee-commerce
133
Anexo2–OutputscomplementaresdaACMdosprodutoscompradosonline
TabelaA.1:MedidasdediscriminaçãoparaomodelodeACMdosprodutoscompradosonline
Caracterizaçãodoshábitosdee-commerce
134
Anexo3–OutputscomplementaresdaACMdosserviçosaderidosonline
TabelaA.2:MedidasdediscriminaçãoparaomodelodeACMdosserviçosonline
Telecomunicações
Entregade
comprasemcasa
ouRefeiçõesao
Domicilio
Gás,Àguaou
Electricidade
Mudançade
casa
Nenhum,
desconheçoesta
possibilidade Sexo
Telecomunicações 1.000 .102 .377 .202 .101 .218
Entregadecomprasem
casaouRefeiçõesao
Domicilio.102 1.000 .171 .187 .067 .007
Gás,Àguaou
Electricidade.377 .171 1.000 .066 .081 .143
Mudançadecasa.202 .187 .066 1.000 .020 .092
Nenhum,desconheço
estapossibilidade .101 .067 .081 .020 1.000 .033
Sexoa .218 .007 .143 .092 .033 1.000
Dimension 1 2 3 4 5
Eigenvalueb 1.602 1.012 .959 .852 .575
Caracterizaçãodoshábitosdee-commerce
135
Anexo4–OutputscomplementaresdaADdosserviçosaderidosonline
TabelaA.3:ModelodeADdosexoemfunçãodosserviçosaderidosonline Wilks'Lambda F df1 df2 Sig.
Telecomunicações .953 14.300 1 287 .000EntregadecomprasemcasaouRefeiçõesaoDomicilio
1.000 .013 1 287 .909
Gás,ÀguaouElectricidade .979 6.024 1 287 .015Mudançadecasa .991 2.476 1 287 .117Nenhum,desconheçoestapossibilidade .999 .314 1 287 .575
TabelaA.4:MatrizdeestruturadomodelodeADdosexoemfunçãodosserviçosaderidosonline
Function
1
Telecomunicações .919Gás,ÀguaouElectricidade .597Mudançadecasa .383Nenhum,desconheçoestapossibilidade -.136EntregadecomprasemcasaouRefeiçõesaoDomicilio .028
Caracterizaçãodoshábitosdee-commerce
136
Anexo5–OutputscomplementaresdaACMdasvantagensdacompraonline
TabelaA.5:MedidasdediscriminaçãoparaomodelodeACMdasvantagensdacompraonline
DimensionCronbach's
Alpha
VarianceAccountedFor
Total(Eigenvalue) Inertia %ofVariance
1 .243 1.269 .159 15.8682 .149 1.149 .144 14.3693 .081 1.077 .135 13.4574 .055 1.051 .131 13.1375 -.019 .984 .123 12.2996 -.031 .973 .122 12.1657 -.259 .815 .102 10.1938 -.536 .681 .085 8.511Total 8.000 1.000 Mean .000a 1.000 .125 12.500
a.MeanCronbach'sAlphaisbasedonthemeanEigenvalue.
Caracterizaçãodoshábitosdee-commerce
137
Anexo6–OutputscomplementaresdaADdasvantagensdacompraonline
TabelaA.6:ModelodeADdoscompradoresemfunçãodasvantagensdacompraonline Wilks'Lambda F df1 df2 Sig.
Nãoserinfluenciadoporumvendedor .995 2.129 1 398 .145Podervereanalisarcomentáriosdeixadosporclientesanteriores
.979 8.552 1 398 .004
Tervantagens/promoçõesexclusivas 1.000 .010 1 398 .919Variedadedeescolha .998 .906 1 398 .342Outros 1.000 .015 1 398 .902NenhumaNaosei .996 1.550 1 398 .214Comodidade .995 1.943 1 398 .164Novidades .996 1.595 1 398 .207
TabelaA.7:MatrizdeestruturadomodelodeADdoscompradoresemfunçãodasvantagensdacompra
online
Function
1
Podervereanalisarcomentáriosdeixadosporclientesanteriores -.734Nãoserinfluenciadoporumvendedor .366Comodidade .350Novidades .317NenhumaNaosei -.313Variedadedeescolha .239Outros -.031Tervantagens/promoçõesexclusivas -.026
Caracterizaçãodoshábitosdee-commerce
138
TabelaA.8:ModelodeADdosexoemfunçãodasvantagensdacompraonline Wilks'Lambda F df1 df2 Sig.
Nãoserinfluenciadoporumvendedor 1.000 .021 1 398 .885Podervereanalisarcomentáriosdeixadosporclientesanteriores
.967 13.545 1 398 .000
Tervantagens/promoçõesexclusivas .996 1.418 1 398 .234Variedadedeescolha 1.000 .031 1 398 .861Outros .995 1.805 1 398 .180NenhumaNaosei 1.000 .106 1 398 .745Comodidade .995 1.886 1 398 .170Novidades .997 1.153 1 398 .284
TabelaA.9:MatrizdeestruturadomodelodeADdosexoemfunçãodasvantagensdacompraonline
Function
1
Podervereanalisarcomentáriosdei1adosporclientesanteriores .820Comodidade -.306Outros .300Tervantagens/promoçõese1clusivas -.265Novidades -.239NenhumaNaosei .072Variedadedeescolha .039Nãoserinfluenciadoporumvendedor .032
Caracterizaçãodoshábitosdee-commerce
139
Anexo7–OutputscomplementaresdaACMdasdesvantagensdacompraonline
TabelaA.10:MedidasdediscriminaçãoparaomodelodeACMdasdesvantagensdacompraonline
DimensionCronbach's
Alpha
VarianceAccountedFor
Total(Eigenvalue) Inertia %ofVariance
1 .285 1.339 .149 14.8822 .264 1.306 .145 14.5163 .183 1.195 .133 13.2734 .168 1.175 .131 13.0595 .073 1.069 .119 11.8826 .049 1.046 .116 11.6217 -.060 .949 .105 10.5458 -.209 .843 .094 9.3719 -13.564 .077 .009 .851Total 9.000 1.000 Mean .000a 1.000 .111 11.111
Caracterizaçãodoshábitosdee-commerce
140
Anexo8–OutputscomplementaresdaADdasdesvantagensdacompraonline
TabelaA.11:ModelodeADdoscompradoresemfunçãodasdesvantagensdacompraonline Wilks'Lambda F df1 df2 Sig.
Nãoexperimentaroproduto .999 .552 1 398 .458PortesdeEnvio .961 16.275 1 398 .000Produtoserextraviadoouestarestragado 1.000 .115 1 398 .735Enviodoprodutoerrado
1.000 .087 1 398 .768
Métododepagamento .993 2.867 1 398 .091Segurança .990 3.963 1 398 .047Prazodeentrega .975 10.142 1 398 .002Faltadeapoionopréepós-venda .999 .481 1 398 .489Nenhuma/Nãosei .997 1.278 1 398 .259
TabelaA.12:MatrizdeestruturadomodelodeADdoscompradoresemfunçãodasdesvantagensda
compraonline
Function
1
PortesdeEnvio .640Prazodeentrega .505Segurança -.316Métododepagamento -.269Nenhuma/Nãosei -.179Nãoexperimentaroproduto -.118Faltadeapoionopréepós-venda .110Produtoserextraviadoouestarestragado -.054Enviodoprodutoerrado .047
Caracterizaçãodoshábitosdee-commerce
141
TabelaA.13:ModelodeADdosexoemfunçãodasdesvantagensdacompraonline
Wilks'Lambda F df1 df2 Sig.
Nãoexperimentaroproduto .995 1.865 1 398 .173PortesdeEnvio .999 .432 1 398 .511Produtoserextraviadoouestarestragado .978 9.066 1 398 .003Enviodoprodutoerrado 1.000 .000 1 398 1.000Métododepagamento .994 2.307 1 398 .130Segurança .999 .260 1 398 .611Prazodeentrega .985 5.974 1 398 .015Faltadeapoionopréepós-venda 1.000 .069 1 398 .793Nenhuma/Nãosei .996 1.477 1 398 .225
TabelaA.14:MatrizdeestruturadomodelodeADdosexoemfunçãodasdesvantagensdacompra
online
Function
1
Produtoserextraviadoouestarestragado .612Prazodeentrega .496Métododepagamento -.309Nãoexperimentaroproduto -.277Nenhuma/Nãosei -.247PortesdeEnvio -.133Segurança .104Faltadeapoionopréepós-venda .053Enviodoprodutoerrado .000
Caracterizaçãodoshábitosdee-commerce
142
Anexo9–OutputscomplementaresdaACMdosmeiosdepublicidademaiseficazesTabelaA.15:MedidasdediscriminaçãoparaomodelodeACMdosmeiosdepublicidademaiseficazes
DimensionCronbach's
Alpha
VarianceAccountedFor
Total(Eigenvalue) Inertia %ofVariance
1 .400 1.523 .218 21.7502 .324 1.385 .198 19.7853 .090 1.084 .155 15.4874 .021 1.018 .145 14.5465 -.065 .947 .135 13.5286 -.120 .907 .130 12.9567 -7.393 .136 .019 1.947Total 7.000 1.000 Mean .000a 1.000 .143 14.286
a.MeanCronbach'sAlphaisbasedonthemeanEigenvalue.
Caracterizaçãodoshábitosdee-commerce
143
Anexo10–OutputscomplementaresdaADdosmeiosdepublicidademaiseficazes
TabelaA.16:ModelodeADdoscompradoresemfunçãodosmeiosdepublicidademaiseficazes
Wilks'Lambda F df1 df2 Sig.
AnúnciosnoGoogle/Sapo/...
.993 2.949 1 398 .087
Emailspublicitários
.975 10.142 1 398 .002
Nãosei 1.000 .177 1 398 .674Banners .979 8.578 1 398 .004SMS .995 1.832 1 398 .177PublicidadenoFacebook
.980 7.929 1 398 .005
Televisão/Outros .996 1.550 1 398 .214
TabelaA.17:MatrizdeestruturadomodelodeADdoscompradoresemfunçãodosmeiosde
publicidademaiseficazes
Function
1
Emailspublicitários
-.551
Banners -.507PublicidadenoFacebook
.487
AnúnciosnoGoogle/Sapo/...
.297
SMS .234Televisão/Outros -.215Nãosei .073
Caracterizaçãodoshábitosdee-commerce
144
TabelaA.18:ModelodeADdosexoemfunçãodasdosmeiosdepublicidademaiseficazes Wilks'Lambda F df1 df2 Sig.
AnúnciosnoGoogle/Sapo/...
.999 .537 1 398 .464
Emailspublicitários
.996 1.428 1 398 .233
Banners .978 9.144 1 398 .003SMS .983 6.701 1 398 .010PublicidadenoFacebook
.988 4.904 1 398 .027
Televisão/Outros .995 1.805 1 398 .180Nãosei .993 2.713 1 398 .100
TabelaA.19:MatrizdeestruturadomodelodeADdosexoemfunçãodosmeiosdepublicidademais
eficazes
Function
1
Banners -.622SMS .532PublicidadenoFacebook
.455
Nãosei -.339Televisão/Outros -.276Emailspublicitários
.246
AnúnciosnoGoogle/Sapo/...
-.151
Recommended