Escolar Documentos
Profissional Documentos
Cultura Documentos
Monografia FINAL
Monografia FINAL
a
a mdia todas as avaliaes do usurio ativo. Parar calcular as
similaridades so computados somente os itens que ambos avaliaram.
32
E. B. Reategui; S. C. Cazella. Op. Cit. 2005, p. 318.
33
Roberto Torres. Op. Cit. p. 63.
=
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
m
i
u
r
i u
r
m
i
a
r
i a
r
m
i
u
r
i u
r
a
r
i a
r
u a
W
1
2
,
1
2
,
1
,
*
,
,
44
Depois de calculadas a similaridades dos perfis,
necessrio identificar como os usurios sero agrupados, pois cada
usurio possui um grupo diferente de vizinhos, que resultam em
recomendaes realmente personalizadas. TORRES
34
define duas
formas de se determinar vizinhanas e o da similaridade que utiliza o
coeficiente de Pearson para determinar vizinhos, ou seja, se dois
usurios tem correlao maior ou igual a 0,3 tornam-se vizinhos. O outro
mtodo o do nmero de vizinhos, onde se usa um nmero mximo de
usurios para formar a vizinhana, sem se preocupar com o grau de
correlao entre eles, o que pode gerar recomendaes sem qualidade.
3.1.1 Vantagens e desvantagens da tcnica
TORRES
35
descreve trs vantagens que se tem ao trabalhar
com filtragem colaborativa, so elas:
- Independncia de contedo: o sistema baseado em avaliaes
que os usurios fornecem e podem ser utilizadas para qualquer
tipo de produto.
- Recomendao de acordo com o gosto dos usurios: as
avaliaes que os usurios fornecem so mensuradas e
expressam seu gosto de acordo com a qualificao, seja ela, alta
ou baixa. Tcnicas que utilizam textos no tem como extrair
qualificaes de forma bem sucedida.
34
Roberto Torres. Op. Cit. p. 66.
35
Idem. Ibidem. p. 68.
45
- Serendipity: como as recomendaes so geradas a partir dos
hbitos de consumo dos usurios, o sistema oferece
recomendaes inesperadas, porm boas.
REATEGUI e CAZELLA
36
definem trs desvantagens
na utilizao da filtragem colaborativa.
- O primeiro avaliador: quando o item novo no banco de dados
no h nenhuma forma de recomendar o produto a um usurio
at as informaes sejam obtidas por meio de outro usurio.
- Pontuaes esparsas: se o nmero de usurios for reduzido em
relao ao volume de informaes no sistema existe a
possibilidade das pontuaes tornarem-se esparsas.
- Similaridade: se um usurio tiver gostos fora do comum, suas
recomendaes podem se tornar pobres.
Pde-se observar que a filtragem colaborativa que a
filtragem colaborativa pode ser utilizada para a recomendao de
produtos e automatizao do processo que ocorre na vida real, ou seja,
a usurio que d a sua opinio a respeito sobre um determinado
produto, aumentam as possibilidades de um cliente posterior realizar
uma compra com sucesso.
36
E. B. Reategui; S. C. Cazella. Op. Cit. p. 318.
46
3.2. FILTRAGEM BASEADA EM CONTEDO
A filtragem baseada em contedo se distingue da
filtragem colaborativa, pois mede a similaridade entre produtos em vez
de gerar recomendaes pela similaridade de usurios. Essa tcnica
mais utilizada para produtos textuais, em outros domnios, como udio e
vdeo, no uma tarefa das mais fceis.
Para TORRES,
37
o processo de recomendao por
filtragem baseada em contedo constitudo por trs componentes
principais: o sistema de recomendao, o perfil do usurio e o
repositrio de texto. O sistema de recomendao faz o casamento do
perfil do usurio com cada texto do repositrio. E para cada texto
calculada uma similaridade com o perfil do usurio, por fim quando
todos os clculos forem realizados, os textos que tiverem maior grau
similaridade com o perfil do usurio sero recomendados.
O autor define a filtragem baseada em contedo como,
(...) a tcnica de recomendao de produtos que utiliza a similaridade
entre produtos para gerar recomendaes. Geralmente, utilizada para
recomendar textos.
38
A tcnica mais utilizada para mensurar a similaridade
entre texto foi proposta por SALTON e BUCKLEY
39
conhecida como
TF-IDF Term-frequency Inverse-Document-Frequecy. A tcnica o
37
Roberto Torres. Op. Cit. p. 75.
38
Idem. Ibidem. p. 75.
39
G. Salton; Christopher Buckley. Information Processing and Management. In: Term wheighting
approaches in automatic text retrieval 1988 p. 513.
47
nmero de palavras em comum, a discriminao de cada palavra na
coleo de documentos e o tamanho de documentos.
3.2.1 Vantagens e desvantagens da tcnica
Duas vantagens se destacam em benefcio do uso da
filtragem baseada em contedo: no possui o problema do primeiro
avaliador, que uma das desvantagens da filtragem colaborativa j
citada anteriormente e a outra a possibilidade de recomendar todos os
itens, pois todos eles so comparados com o perfil do usurio.
Dentre as desvantagens a primeira a impossibilidade
de analisar contedos no textuais. Segunda no levar em
considerao a qualidade do texto e do autor. E a terceira
superespecializao, pois recomenda sempre textos muito parecidos.
40
3.3 SISTEMAS HBRIDOS
Os tpicos anteriores descreveram duas tcnicas
utilizadas para a implementao de sistemas de recomendao, todas
visando recomendar produtos de acordo com seus hbitos de consumo
e dados demogrficos.
40
Roberto Torres. Op. Cit. p. 84.
48
Cada uma dessas tcnicas tem vantagens e
desvantagens e so aplicadas em diferentes domnios. E de acordo com
o que foi descritos nas tcnicas anteriores possvel perceber que as
vantagens e desvantagens de filtragem colaborativa e filtragem baseada
em contedo so complementares, isso , a vantagem de uma a
desvantagem da outra. Isso sugere que as duas possam se unir para
atingir melhores resultados.
A Tabela 6 descreve as vantagens e desvantagens da
filtragem colaborativa e a filtragem baseada em contedo.
Tabela 6: Vantagens e desvantagens FC e FBC
Vantagens Desvantagens
Filtragem
colaborativa
Independncia de contedo Primeiro avaliador
Uso de qualidade e gosto
Serendipity Esparsidade
Filtragem baseada
em contedo
No h problema do primeiro avaliador Dependncia de contedo
No usa gostos e qualidade
No h esparsidade Superespecializao
Fonte: E. B. Reategui; S. C. Cazella. Sistemas de recomendao. In: XXV Congresso da
Sociedade Brasileira de Computao. 2005 p. 337.
A FBC - Filtragem baseada em contedo tem
dependncia de contedo - atua somente com textos, enquanto a FC -
filtragem colaborativa - depende apenas da avaliao dos usurios,
podendo recomendar qualquer tipo de produto. A filtragem colaborativa
faz anlises subjetivas dos usurios, por meio das avaliaes
fornecidas, enquanto a filtragem baseada em contedo no tem
condies de realizar essa tarefa. A filtragem colaborativa no tem
problemas com superespecializao, pois como a recomendao
gerada pela anlise do perfil do usurio, assim diferentes itens que um
usurio consumiu podem ser indicados para outros, mesmo que no
49
tenham sidos pesquisados produtos similares. Isso conhecido por
serendipity.
41
3.3.1 Classificao dos sistemas hbridos
BURKE
42
classificou os sistemas hbridos levando em
considerao a forma como podem ser combinadas tcnicas quaisquer.
Para o autor, as tcnicas podem ser combinadas da seguinte forma:
ponderada, alternadas, cascata, combinao de caractersticas,
aumento de caracterstica, misto, meta-level.
- Ponderado: A similaridade de um item computada a partir de
uma combinao de vrias tcnicas de recomendao, com
diferentes pesos para cada uma delas.
- Alternado: O sistema utiliza um critrio para alternar a tcnica que
gera a recomendao.
- Cascata: Uma tcnica de recomendao refina as
recomendaes fornecidas por outra tcnica.
- Combinao de caractersticas: Atributos de diferentes dados
so utilizados em nico algoritmo.
41
Roberto Torres. Op. Cit. p. 76.
42
R. Burke. Hybrid recommender systems: survey and experiments. 2002, p. 331.
50
- Aumento de caractersticas: As recomendaes geradas por
uma tcnica de recomendao so utilizadas como entrada de
outra tcnica.
- Misto: Recomendaes de vrias tcnicas so apresentadas na
mesma lista.
- Meta-level: O modelo aprendido por uma tcnica de
recomendao utilizado como informao de entrada para outra
tcnica.
TORRES
43
afirma que o nico problema encontrado na
utilizao de filtragem colaborativa juntamente com filtragem baseada
em contedo o start-up, ou seja, o sistema no possui uma base de
dados com hbitos de consumo do usurio, so utilizadas informaes
cadastrais ou produtos mais vendidos at que sejam realizadas
interaes suficientes da comunidade com o sistema de recomendao.
3.4 MINERAO DE DADOS
COSTA
44
afirma que o processo de minerao de
dados uma etapa de um processo ainda maior, conhecido por
Descoberta de Conhecimento em Base de Dados, ou em ingls,
Knowledge Discovery in Databases KDD.
43
Roberto Torres. Op. Cit. p. 97.
44
Rodrigo B. R. Costa. Aplicao do processo de minerao de dados para auxlio gesto do
pronto-socorro de clnica mdica do Hospital Universitrio de Braslia. 2007, p. 12.
51
Segundo COSTA,
45
na base da pirmide esto os
dados que so contedos gravados em tabelas dentro dos Sistemas
Gerenciadores de Banco de Dados SGBD e que requerem
conhecimento de analista para obter um tratamento. A partir das
informaes geradas do tratamento dos dados possvel extrair
informaes mais completas, o conhecimento. Finalmente no pice da
pirmide, as decises, que so tomadas por humanos aps serem
realizadas as tcnicas de minerao de dados.
Figura 8. Processo de tomada de decises.
Fonte: Rodrigo B. R. Costa. Apicao do processo de minerao de dados para
auxlio gesto do pronto-socorro de clnica mdica do Hospital Universitrio de
Braslia. 2007, p. 12.
Para ELMASRI e NAVATHE,
46
minerao de dados
refere-se minerao ou descoberta de novas informaes em termos
de padres ou regras com base em grandes quantidades de dados.
45
Rodrigo B. R. Costa. Op. Cit. 2007, p. 13.
46
R. Elmasri; Shamkant B. Navathe. Sistemas de banco de dados. 2011, p. 699.
52
Para ser til a minerao de dados deve ser efetuada de modo eficiente
em grandes arquivos e banco de dados.
Os autores citados defendem que os objetivos
principais da minerao de dados so dispostos nas seguintes classes:
previso, identificao, classificao e otimizao.
- Previso: a minerao de dados pode mostrar como certos
atributos dos dados se comportaro no futuro. A anlise pode
prever que os consumidores compraro um produto se for
apresentado um desconto ou em certo perodo.
- Identificao: os padres podem identificar a existncia de um
item, um evento ou uma atividade. Podem ser utilizada em rea da
gentica para identificar uma sequncia de genes.
- Classificao: a minerao de dados pode dividir os dados em
classes ou categorias distintas que podem ser identificadas por
parmetros. Os consumidores podem ser classificados como: os
que buscam descontos, com pressa, regulares dentre outros.
- Otimizao: um dos objetivos visa otimizar recursos como tempo,
espao, dinheiro, maximizar vendas e a lucratividade.
O conhecimento adquirido durante a minerao de
dados pode ser representado de formas variadas pode ser disposto em
regras, rvores de deciso, redes semnticas, redes neurais ou
hierarquia de classes. ELMASRI e NAVATHE,
47
descrevem o
47
R. Elmasri; Shamkant B. Navathe. Op. Cit. p. 701.
53
conhecimento descoberto durante a minerao de dados da seguinte
forma:
- Regras de associao: essas regras correlacionam a presena
de um item com outra faixa de valores dentro de um conjunto
variveis. Se um usurio compra sapatos ele provavelmente
comprar sapatos.
- Hierarquia de classes: trabalham partindo de um conjunto
existente de transaes ou eventos para criar uma hierarquia de
classes. Por exemplo, usam os histricos de transaes de uma
populao para classific-la em nveis de risco, ou seja, o cliente
tem risco fraco, risco mdio, risco grave.
- Padres sequenciais: buscada uma sequncia de eventos ou
aes. a deteco de eventos que tem relacionamentos
temporais. Um cliente passou por uma cirurgia, adquiriu uma
doena e provavelmente ter outra.
- Padres dentro de srie temporal: similaridades so detectadas
dentro de uma sequncia de dados avaliados em intervalos
regulares. Dois produtos apresentam o mesmo padro de vendas
no vero, mas no no inverno.
- Agrupamentos: determina que uma populao possa ser
segmentada em elementos similares. Por exemplo, a diviso de
uma populao em sete grupos variando dos melhores
compradores aos piores compradores.
54
3.4.1 Aplicaes da minerao de dados
A minerao de dados utilizada em diversas reas e
numa grande variedade de contexto sempre focalizando a tomada de
decises. ELMASRI e NAVATHE
48
descrevem as reas que tem mais
ganhos significativos com a utilizao da minerao de dados como:
- Marketing: em geral feita a anlise do comportamento do
consumidor com base nos hbitos de consumo. So determinadas
estratgias de marketing e personalizao, email direcionado,
segmentao de clientes dentre outras.
- Finanas: as aplicaes incluem anlise de crdito, anlise de
desempenho financeiro de ttulos e deteco de fraudes.
- Manufatura: layouts e projetos de produtos, como carros,
baseado no perfil do cliente so as formas mais aplicadas da
minerao de dados nessa rea.
- Sade: Algumas aplicaes so as descobertas de padres em
imagens radiolgicas, relacionar genes de acordo com as
doenas, otimizao de processo em hospitais.
Tendo em vista que a minerao de dados uma rea
nova e de grande potencial, ela est sendo alvo de estudo em muitos
trabalhos cientficos.
48
R. Elmasri; Shamkant B. Navathe. Op. Cit. p. 715.
55
4. PESQUISA DE CAMPO
A pesquisa de campo foi utilizada nesse estudo como
forma de coletar informaes e traar um perfil do consumidor do varejo
eletrnico e sua relao com a personalizao existente em lojas
virtuais.
Segundo LIMA,
A pesquisa de campo pressupe a apreenso dos
fatos/variveis investigados, exatamente onde, quando e como
ocorrem. Nessas circunstncias, o pesquisador deve definir o
que e como ir apreender a realidade, considerando as
especificidades do que est investigando.
49
O objetivo principal da pesquisa foi verificar a relao
dos usurios de varejo eletrnico e a utilizao de sistemas de
recomendao. Como tambm sua influncia na lucratividade e
fidelizao de clientes.
4.1 MTODO
A pesquisa foi aplicada por meio do mtodo
quantitativo com a utilizao do instrumento de pesquisa o questionrio
de 13 perguntas. Participaram da pesquisa usurios de lojas virtuais de
vrias faixas etrias.
49
Manolita Correia Lima. Monografia: a engenharia da produo acadmica. 2008, p. 70.
56
LIMA
50
afirma que, o questionrio uma tcnica de
coleta de dados utilizada em pesquisas de campo para observar a direta
realidade de forma extensiva razo pela qual est associada fortemente
abordagem quantitativa.
4.2 UNIVERSO DA PESQUISA
O universo da pesquisa de campo foi realizado em
lojas virtuais diversas. Sendo uma amostra de 112 usurios, que j
realizaram pelo menos uma compra. A pesquisa foi realiza no perodo
de 9 a 13 de abril de 2012, aplicada via email.
4.3 PERFIL DOS RESPONDENTES
A pesquisa teve um total de 112 respondentes, em
relao ao gnero foi bem equilibrado, sendo 58% masculino e 48%
feminino. A amostra foi dividida em faixas etrias, tendo uma maior
quantidade as de 18 a 25 anos, com 54% do total e 26 a 30 anos com
32% da populao. Do total 77% so solteiros e 48% dos respondentes
tem nvel de escolaridade superior. A maioria dos participantes da
pesquisa, 53%, acessam a internet em casa e 43% acessam tanto em
casa quanto no trabalho.
50
Manolita Correia Lima.Op. Cit. p. 71.
57
4.4 APRESENTAO DOS DADOS
Os resultados obtidos na pesquisa sero
apresentados em formas de grfico, para que se possa ter maior
entendimento dos dados conseguidos com a aplicao do questionrio.
Questo 6. Voc costuma realizar compras em lojas virtuais?
Grfico 1. Compras Online
No Grfico 1, dentre todos os participantes da
pesquisa, 37% no tem o hbito de comprar pela internet e 63%
costumam realizar compras em lojas virtuais. Percebe-se que a maioria
dos respondentes so usurios de comrcio eletrnico.
63%
37%
Sim
No
58
Questo 7. Se respondeu no, por qual motivo?
Grfico 2. motivos para no comprar no varejo eletrnico.
Foi questionado por quais motivos o usurio no se
sente vontade de realizar compras online. O Grfico 2 apresenta
percentuais bem equilibrados. A resposta mais comum foi o medo de
no receber a mercadoria com 31%, depois outros problemas quaisquer
e insegurana no pagamento, com 26% e 23% respectivamente, logo
aps o fato de no sentir prazer na compra online e o medo de se
arrepender ambos com 10%.
As formas de pagamentos no foram citadas pelos
respondentes como impedimento para compras online.
23%
31%
0%
10%
10%
26%
Insegurana no pagamento
Medo de no receber a
mercadoria
Formas de pagamentos
No sente prazer
Medo de se arrepender
Outros
59
Questo 8. Se respondeu sim, com que frequncia?
Grfico 3. Frequncia de compras.
Das pessoas que realizam compras no comrcio
eletrnico 41% realizam compras a cada trs meses, ou seja, realizou
pelo menos uma compra no ltimo trimestre, 28% compram pela internet
mensalmente, 5% realizam pelo menos uma compra online por semana,
14% realizam compras diariamente e 12% anualmente, conforme o
Grfico 3.
Se juntarmos as parcelas dos que realizam compras
trimestralmente e mensalmente obtm-se quase 70% da populao.
A unio dos consumidores dirios e dos consumidores
semanais cera de 19% da amostra.
14%
5%
28%
41%
12%
Diariamente
Semanalmente
Mensalmente
Trimestralmente
Anualmente
60
Questo 9. Se respondeu no, por qual motivo?
Grfico 4. Itens mais comprados
O Grfico 4 demonstra que entre os respondentes
32% realizam outros tipos de produtos alm dos citados na pesquisa,
13% optam por livros para realizar suas compras online, 6% compram
CDs e DVDs. Perfumaria leva 5% da opo dos pesquisados e
eletrodomsticos, 4%. Utenslios domsticos e de cama, mesa e banho
2% e 1% respectivamente.
Os produtos eletrnicos so a preferncia dos
consumidores, 37% dos respondentes escolhem esses produtos na hora
de realizar suas compras online.
6%
37%
0%
4%
5%
1%
13%
2%
32%
Cds e Dvds
Eletrnicos
Revelao Fotogrfica
Eletrodomstico
Perfumaria
Cama, mesa e Banho
Livros
Utenslios domsticos
Outros
61
Questo 10. Utilizando a internet, onde voc compra mais?
Grfico 5. Locais de compras.
Foi questionado na pesquisa onde os usurios
realizam suas compras e, de acordo com o Grfico 5 44% do total
optam por realizar compras em grandes lojas virtuais, 32% realizam
suas compras por meio de sites de compra coletiva, 9% dos
pesquisados usam sites como eBay.com e MercadoLivre para realizar
suas compras online, 1% realiza compras por sites de anncios de
classificados e 14% utilizam outros mtodos de negociao online.
importante avaliar os locais de compra dos usurios,
para que se possam definir as modalidades reais de comrcio eletrnico
da pesquisa de campo.
44%
32%
9%
1%
14%
Grandes lojas virtuais
Sites de compra coletiva
Sites de leiles
Sites de anncios
Outros
62
Questo 11. Voc leva em considerao ofertas proposta pela loja
virtual?
Grfico 6. Aceitao das recomendaes.
O Grfico 6 mostra que 40% dos respondentes s
vezes levam em considerao as ofertas, 31% afirmam que no se
influenciam pelas propostas do site, 17% do total de pesquisados
realizam suas buscas influenciados pela recomendaes e 8% afirmam
nunca terem recebido qualquer forma de recomendao.
Essa questo avalia a aceitao das ofertas propostas
pelas lojas virtuais e verifica se os consumidores interagem com os
sistemas de recomendao.
8%
35%
40%
17%
Nunca recebi recomendaes
J recebi mas no deixo
influenciar
s vezes
Sim, elas me ajudam a
escolher
63
Questo 12. Voc costuma acessar links de recomendaes?
Grfico 7. Aceitao dos links.
Nas lojas virtuais so expostos links referentes a
ofertas personalizadas como: "Confira essas ofertas personalizadas" e
"Produtos recomendados para voc e sua famlia. O Grfico 7 mostra o
nvel de aceitao desses links, sendo assim, 65% dos pesquisados
utilizam poucas vezes os links, 17% no perceberam esses links na
vitrine da loja, 13% afirmam utilizar os links muitas vezes para auxiliar
nas suas compras e 5% utilizam sempre as recomendaes da loja
virtual expostas em forma de links.
Esse questionamento verifica como a interao dos
usurios com o sistema de recomendao, ou seja, se o usurio usa
links genricos ou personalizao profunda. A questo avalia as formas
de recomendao.
17%
65%
13%
5%
Nunca percebi esses links
Poucas vezes
Muitas vezes
Sempre
64
Questo 13. Os produtos ofertados pelas lojas virtuais se
enquadram nos seus hbitos de consumo?
Grfico 8. Recomendaes e os hbitos de consumo.
O GRFICO 8., mostra a relao das ofertas e os
hbitos de consumo dos usurios de lojas virtuais de varejo eletrnico.
O resultado mostra que 77% dos pesquisados acham as ofertas boas,
6% afirmam que as ofertas sempre se enquadram no seu perfil de
consumo, 10% s recebem ofertas que no as agradam e 7% nunca
receberam qualquer tipo de recomendao.
Os grficos foram apresentados para tornar mais fcil
o entendimento e a anlise dos dados apurados pela pesquisa. Para
7%
10%
77%
6%
Nunca recebi recomendaes
No, somente recebo ofertas
que no me agradam
Algumas ofertas so boas
Sempre as ofertas se
enquadram no meu perfil de
consumo
65
que se possa mostrar o real desempenho das estratgias de
recomendao necessria uma anlise mais aprofundada dessa
amostra.
4.5 ANLISE DOS RESULTADOS
A pesquisa foi focada na utilizao de estratgias de
personalizao dentro do comrcio eletrnico de varejo no intuito de
verificar a real influncia dos sistemas de recomendao dentro das
lojas virtuais, como forma de aumentar a lucratividade e fidelizao de
clientes.
O comrcio eletrnico j representa uma fatia
importante do mercado. Vrios atrativos como o conforto, segurana e
ampla diversidade de produtos na internet vm atraindo cada vez mais
compradores. Isso percebido na pesquisa, pois os dados colhidos
revelam que grande parte da amostra realiza compras online.
Para efetivar uma melhor anlise dos dados, foram
realizados alguns relacionamentos entre as perguntas que traam o
perfil do pesquisado e as que tm foco no assunto.
A pesquisa teve um nmero equilibrado entre homens
e mulheres, com isso pode se perceber que, dos pesquisados que
realizam compras online, 57% so do sexo masculino e 43% so do
sexo feminino.
66
Os pesquisados com grau de escolaridade superior e
mdio juntos somam quase todos os respondentes, cerca de 65%
realizam frequentemente compras pela internet. Desses, a grande
maioria est contida na faixa etria de 18 a 30 anos. Isso mostra que os
jovens so mais propensos a realizar compras online.
Os usurios que ainda no realizam compras online
no o fazem principalmente pelo medo de no receber a mercadoria e a
insegurana no pagamento. Essa fatia de usurios ainda se abstm do
comrcio eletrnico por se preocuparem com sua privacidade e
segurana, por terem receio de fornecer informaes pessoais ou de
usar o carto de crdito pela internet, assim como, no confiar no
produto que iro receber.
Relacionando-se o gnero e onde o pesquisado
realiza suas compras, pde-se perceber que cerca de 49% dos homens
realizam suas compras em grandes lojas virtuais, enquanto as mulheres
se dividem entre compras coletivas, 39% do total das pesquisadas e as
grandes lojas com 37% das respondentes.
O sucesso de sites de compras coletivas est no fato
de usurios geograficamente dispersos que tem interesse no mesmo
produto ou servio poderem acessar facilmente via web em um nico
lugar. Com isso esse segmento vem tomando espao no varejo
eletrnico.
A pesquisa questiona se o consumidor leva em
considerao as ofertas da loja virtual e percebe-se com os dados
apresentados que, 57% dos usurios observam e aceitam as
67
recomendaes da loja. Uma parte de 35% percebe que est sendo
incentivada ao consumo, mas prefere no aderir e somente 8% no
percebe a personalizao.
Diante desses nmeros, pode-se dizer que 92% da
amostra percebe a personalizao e boa parte desses consumidores,
que o sistema de recomendao pode lhe auxiliar na melhor escolha do
produto.
Em relao aos links que so usados para
recomendar pde-se observar que 65% utilizam poucas vezes e apenas
18% utilizam essa forma de recomendao. Como foi disposto nas
estratgias de personalizao, existem diversas formas de efetuar a
recomendao e uma delas so as listas de recomendaes genricas.
Elas so usadas quando no se tem informaes sobre os hbitos dos
usurios. Sendo assim, dentro da fatia dos consumidores que no
utilizam as listas genricas podem conter usurios que so
personalizados implicitamente.
Foi questionado na pesquisa se os produtos
recomendados nas lojas virtuais so adequados aos seus hbitos de
consumo. A grande maioria, 77%, acha que algumas recomendaes
so boas e outros 6% afirmam que a personalizao se enquadra
perfeitamente no seu perfil de consumo.
Esses nmeros mostram que os sistemas de
recomendao, no geral, tem um resultado positivo e podem ajudar a
resolver a problemtica desse trabalho, ou seja, o aumento da
lucratividade e a fidelizao dos clientes no varejo eletrnico.
68
CONCLUSO
Esse trabalho serve de base principalmente para
empresas de comrcio eletrnico que querem implantar a
personalizao em seu domnio.
Contudo, o trabalho foi elaborado para ser utilizado
como base de conhecimento para profissionais evolvidos em projetos de
marketing, direto, publicitrio, web designers, programadores,
estudantes de informtica ou de marketing.
As tcnicas propostas aqui tm como objetivo auxiliar
empreendedores a otimizar suas lojas virtuais, criar um programa de
fidelidade, criar um sistemas avaliao de produtos, ou seja, gerar
diferenciais no seu negcio.
importante destacar que tcnicas de personalizao
economizam muito o tempo do usurio, por isso, fundamental para o
usurio que seja exibidos produtos de interesse dele, e no de outros
que no sejam relevantes.
Atualmente com os aparelhos celulares cada vez mais
robustos, grande parte munida de GPS - Sistema de Posicionamento
Global - os sistemas de recomendao podem ser utilizados em novas
tendncias, ou seja, integrar os hbitos de consumo dos usurios com
seu posicionamento global e recomendar produtos ou servios
exclusivos.
69
Em geral, a maioria das tcnicas discutidas no
trabalho pode ser utilizada para novas tecnologias como recomendao
por GPS ou celulares. Contudo, pesquisas devem ser realizadas para
fundamentar a integrao dessas tecnologias com a personalizao.
Definitivamente, a personalizao tem sido utilizada
por diversas lojas para ajudar usurios novos e no frequentes a realizar
compras com eficincia, obter credibilidade da comunidade de usurios,
aumentar a venda casada, construir relacionamentos de longa durao,
ou seja, tratar o cliente de forma diferenciada.
De acordo com o que foi exposto e fundamentado
pela pesquisa de campo, pode-se afirmar que, as estratgias de
personalizao aumentam a fidelidade dos usurios e,
consequentemente, aumentam o lucro da empresa.
70
BIBLIOGRAFIA
BURKE, R; Hybrid recommender systems: survey and experiments. In:
User modeling and user-adapted interaction. Volume 12, 4a., p. 331-370,
2002.
CAMPOS, Thiago Prado de. Como se faz comrcio eletrnico. Londrina:
2006, 48f., Monografia (Especializao em Desenvolvimento de
Aplicaes para web). Universidade Estadual de Londrina.
COSTA, Rodrigo B. Ribeiro. Aplicao do Processo de Minerao de
Dados para Auxlio Gesto do Pronto-Socorro de Clnica Mdica do
Hospital Universitrio de Braslia. Braslia 2007, 82 f.
Monografia(Graduao em cincias da computao). Universidade de
Braslia.
ELMASRI, Ramez.; NAVATHE Shamkant. B. Sistemas de banco de
dados. 6 ed. So Paulo: Pearson, 2011.
LIMA, Manolita Correia. Monografia: a engenharia da produo
acadmica. So Paulo: Saraiva, 2008.
REATEGUI, E. B.; CAZELLA, S. C. Sistemas de Recomendao. In:
XXV Congresso da Sociedade Brasileira de Computao. So Leopoldo:
UNISINOS, 2006.
SCHAFER, B. MetaLens: a framework for multi-sourcing
recommendations. Minneapolis: University of Minnesota, 2001.
SALTON, Gerard; BUCKLEY, Christopher. Information processing and
management. In: Term weighting approaches in automatic text retrieval.
Volume 24. 5 ed. p. 513-523, 1988.
STAIR, Ralph M.; REYNOLDS, George W. Princpios de sistemas de
informaes. So Paulo: Cengage Learning, 2011.
71
TORRES, Roberto. Personalizao na Internet: como descobrir hbitos
de consumo de seus usurios, fideliz-los e aumentar o lucro do seu
negcio. So Paulo: Novatec Editora, 2004.
TURBAN, E.; KING, D. Comrcio Eletrnico: estratgia e gesto. So
Paulo: Prentice Hall, 2004.
VENETIANER, Tom. Como vender seu peixe na internet: Um guia
prtico de marketing e comrcio eletrnico. 4. ed. Rio de Janeiro: Editora
Campus, 2000.
72
FONTES
B2W. Comrcio eletrnico no Brasil. Disponvel em:
http://www.b2winc.com/institucional/comercio-eletronico-no-brasil.
Acesso em 14/mar/2012.
CETIC. TIC domiclios e usurios 2010 - rea urbana. Disponvel em:
http://www.cetic.br/usuarios/tic/2010/analises.htm Acesso em:
02/abr/2012.
EBAY. Who we are. Disponvel em: http://www.ebayinc.com/who.
Acesso em 14/mar/2012.
Mariana Melo. Amazon. Disponvel
em:http://www.casodesucesso.com/?conteudoId=30 Acesso em:
20/mar/2012.
IBOPE Nielsen Online. Comrcio eletrnico atingiu 32 milhes de
usurios. Disponvel em:
http://www.ibope.com.br/calandraWeb/servlet/CalandraRedirect?temp=5
&proj=PortalIBOPE&pub=T&db=caldb&comp=IBOPE+Nielsen+Online&d
ocid=73D8346F3A8348BC83257956003913DF Acesso em:
14/mar/2012. (a)
______. Comrcio eletrnico: avaliao 360. Disponvel em:
http://www.ibope.com.br/calandraWeb/servlet/CalandraRedirect?temp=5
&proj=PortalIBOPE&pub=T&db=caldb&comp=IBOPE+Nielsen+Online&d
ocid=73D8346F3A8348BC83257956003913DF Acesso em:
14/mar/2012. (b)
Vincius Passos Sousa. Em apenas 60 segundos. Disponvel em:
http://www.tiespecilistas.com.br/2012/03/em-apenas-60-segundos/.
Acesso em: 12/abr/2012.
73
ANEXO A. CARTA DE APRESENTAO
Fortaleza, 09 de abril de 2012
Prezado(s) Senhores(as),
Estou realizando uma pesquisa de campo para a
fundamentao da monografia de Graduao em Tecnlogo em Anlise
e Desenvolvimentos de Sistemas da UNICE - Ensino Superior. O
objetivo principal da pesquisa verificar a relao dos usurios de
varejo eletrnico e a utilizao de sistemas de recomendao. Como
tambm sua influncia na lucratividade e fidelizao de clientes.
O questionrio deve ser respondido somente por
aqueles que j realizaram pelo menos uma compra pela internet.
Tendo em vista as limitaes do cronograma deste
trabalho e prazos bem urgentes, solicito que o preenchimento deste
questionrio seja efetuado at o dia 13 de abril de 2012.
Agradeo, antecipadamente, a colaborao de todos
os respondentes, colocando-me disposio para quaisquer
esclarecimentos que se faam necessrios.
Atenciosamente,
Abner Augusto Lima de Oliveira
74
ANEXO B. QUESTIONRIO
1. Gnero
( ) Masculino
( ) Feminino
2. Em que faixa etria voc se encontra?
( ) 18 a 25 anos
( ) 26 a 30 anos
( ) 31 a 35 anos
( ) 36 a 41 anos
( ) 42 a 50 anos
( ) 50 anos ou mais
3. Qual o seu estado civil?
( ) Solteiro
( ) Casado
( ) Divorciado
( ) Vivo
( ) Outros
4. Qual o seu grau de escolaridade?
( ) Fundamental
( ) Mdio
( ) Superior
( ) Ps-graduao
( ) Mestrado
( ) Doutorado
75
5. Onde voc costuma acessar a internet?
( ) No acessa.
( ) Em casa
( ) No trabalho
( ) Em ambos
6. Voc costuma realizar compras em lojas virtuais?
( ) Sim
( ) No
7. Se respondeu no, qual o motivo?
( ) Insegurana no pagamento
( ) Medo de no receber a mercadoria
( ) No sente prazer
( ) Medo de se arrepender
( ) Outros
8. Se respondeu sim, com que frequncia?
( ) Diariamente
( ) Semanalmente
( ) Mensalmente
( ) Trimestralmente
( ) Semestralmente
( ) Anualmente
9. O que voc compra mais?
( ) CDs e DVDs
( ) Eletrnicos
76
( ) Perfumaria
( ) Cama, mesa e banho
( ) Livros
( ) Utenslios domsticos
( ) Eletrodomsticos
( ) Outros
10. Utilizando a internet, onde voc compra mais?
( ) Grandes lojas virtuais (Americanas, Submarino, Extra dentre outros)
( ) Sites de compra coletiva
( ) Sites de Leiles ( eBay, MercadoLivre)
( ) Sites de anncios ( OLX ou Bomnegcio)
( ) Outros
11. Voc leva em considerao as ofertas propostas pela loja
virtual?
( ) Nunca recebi recomendaes
( ) J recebi, mas no me deixo influenciar
( ) s vezes
( ) Sim, elas me ajudam a escolher melhor
12. Nas vitrines das lojas virtuais so expostos link como:
"Confiras essas ofertas personalizadas", "Compre tambm",
"Produtos recomendados para voc e sua famlia". Voc costuma
acessar esses links?
( ) Nunca percebi esses links
( ) Poucas vezes
( ) Muitas vezes
( ) Sempre
77
13. Voc acha que os produtos recomendados diretamente a voc
se enquadram ao seu perfil de consumo?
( ) Nunca recebi recomendaes
( ) No, somente recebo ofertas que no me agradam
( ) Algumas ofertas so boas
( ) Sempre as ofertas se enquadram ao meu perfil de consumo.