Universidade Presbiteriana Mackenzie

ANLISE DE
LOGSTICA

FIDELIZAO

DE

CLIENTES

UTILIZANDO

REGRESSO

Karina Cavalcante Duarte (IC) e Raquel Cymrot (Orientadora)

Apoio: PIBIC Mackenzie/MackPesquisa

Resumo
A fidelizao de clientes tem sido usada como estratgia competitiva para aumentar a lucratividade
de uma companhia. A temtica desta pesquisa analisar o relacionamento dos clientes de uma
empresa, tendo por objetivo identificar pontos que auxiliem uma maior reteno de seus
consumidores. Este estudo prope a construo de um modelo matemtico que preveja a
probabilidade de algumas variveis importantes na fidelizao de clientes baseada em outras
variveis conhecidas. A ferramenta escolhida para esse fim foi a regresso logstica. Primeiramente
esse estudo oferece uma reviso terica sobre o setor no qual a empresa em questo est inserida,
sobre marketing de relacionamento, fidelizao, segmentao de clientes e regresso logstica. A
anlise descritiva dos dados foi feita com o auxlio do programa Minitab. Foram realizados alguns
testes de independncia entre pares de variveis pertinentes, bem como propostos dois modelos de
regresso logstica que tiveram como resposta duas variveis importantes que influenciam uma
possvel fidelizao. Uma delas foi a indicao positiva da empresa por parte dos clientes e a outra foi
a excelncia no desempenho de seu produto. No primeiro modelo, percebeu-se que a indicao
positiva est relacionada com a satisfao na instalao e desempenho, enquanto no segundo, a
varivel excelncia no desempenho apresentou forte ligao com a excelncia na assistncia tcnica,
localizao (capital ou interior), regio do Brasil e excelncia na instalao. O primeiro modelo
apresentou pequena melhora no poder preditivo da varivel enquanto no segundo modelo a melhora
foi significativa.
Palavras-chave: fidelizao de clientes, regresso logstica, segmentao de clientes
Abstract
The customer loyalty has been used as a competitive strategy to increase company profitability. The
theme of this research is to analyze the relationship of a company's customers, aiming to identify
points that help having a greater retention of their customers. This study proposes the construction of
a mathematical model that will provide the probability some important variables in customer loyalty
based on other known variables. The tool chosen for this purpose was logistic regression. Firstly this
study provides a theoretical review about the sector which the company in question is placed, about
relationship marketing, loyalty, customer segmentation and logistic regression. The descriptive
analysis was done with the using the program Minitab. It was done some independence tests
between pairs of relevant variables as well as proposed two logistic regression models that had
resulted two important variables that can influence a customer loyalty One was a positive indication of
the company by customers and the other was the excellence of the performance of their product. In
the first model, it was noted that the positive indication is related to satisfaction with installation and
performance, while in the second, the variable performance excellence had a strong connection with
excellence in service, location (capital or countryside) region of Brazil and excellence in installation.
The first model showed little improvement in predictive power of the variable while the second model
the improvement was significant.
Key-words: customer loyalty, logistic regression, segmentation of customers

VII Jornada de Iniciao Cientfica - 2011

INTRODUO

A alta competitividade do mercado atual e o fato de empresas oferecerem produtos e

servios equivalentes tornam os consumidores cada vez mais conscientes do poder que tm
nas mos, ou seja, eles esto mais atentos em relao s ofertas dos concorrentes e mais
suscetveis a migrar de uma marca para outra em busca do que consideram melhor para si.
Portanto, atrair novos clientes pode ser uma tarefa fcil para os profissionais de marketing,
porm somente atra-los no basta, importante saber mant-los (VAVRA, 1993).
De acordo com Jeffrey Gitomer (1998 apud KOTLER; KELLER, 2007, pg153), o grande
desafio no deixar os clientes apenas satisfeitos e sim conquistar clientes fieis. Clientes
satisfeitos e fieis constituem o capital de relacionamento com o cliente da empresa. Por
exemplo, para realizar uma avaliao de quanto vale uma determinada empresa, deve-se
considerar no s os equipamentos, as instalaes, a marca, mas tambm a base de
clientes existente, uma vez que um eventual comprador tambm pagaria pela listagem dos
clientes com os quais poderia realizar futuros negcios (KOTLER; KELLER, 2007).
Segundo os mesmos autores alguns motivos para fidelizar um cliente so:
a) Reter um cliente cinco vezes mais barato que conquistar novos.
b) Empresas perdem ao ano em mdia dez por cento de seus clientes.
c) Ao reduzir em cinco por cento a perda de clientes, uma empresa pode aumentar de
vinte a oitenta e cinco por cento seus lucros.
d) A taxa de lucro por cliente tende a aumentar ao longo do tempo conforme sua
reteno.
Rust, Zahorik e Keiningham (1995 apud SUZUKI, 2010, p.11) justificam que um
relacionamento duradouro com clientes tem relao direta com a lucratividade, pois clientes
antigos so menos sensveis a preos e consequentemente tm mais capacidade de
produzir fluxo de caixa e lucro. Outro ponto a ser considerado que esses clientes
costumam divulgar a empresa quando esto satisfeitos. No presente estudo, pretende-se
analisar essa relao com o auxlio da varivel Indicao, obtida a partir do questionrio
elaborado pela empresa e respondido por alguns de seus clientes.
Tambm preciso salientar que a fidelizao no pode ser investigada sem se levar em
conta a satisfao do cliente, que por sua vez est ligada a qualidade. Empresas que
atingem alta performance so aquelas que desenvolvem a qualidade conforme o cliente a
define, para assim obter qualidade tanto no produto quanto no servio prestado
(WHITELEY, 1992).

Universidade Presbiteriana Mackenzie

1.1

PROBLEMA DE PESQUISA

O objeto de estudo desta pesquisa uma empresa de equipamentos odontolgicos de

grande porte, localizada no interior de So Paulo. Compreender o consumidor uma tarefa
que exige um database marketing (base de dados de marketing) bem organizado capaz de
armazenar no apenas as informaes dos clientes, mas o histrico de todas as suas
transaes. Esta ferramenta deve ser atualizada constantemente para que seja possvel
acompanhar periodicamente o comportamento dos consumidores, de modo a prever suas
aes e permitir a empresa antecipar-se quanto s suas necessidades e desejos, realizando
um planejamento corporativo mais preciso (STONE; WOODCOCK, 2002).
Vavra (1993) afirma que os programas de relacionamento se destinam a aumentar o tempo
de vida dos clientes. Quanto maior esse tempo, maiores so as chances do cliente comprar
novamente produtos ou servios de uma mesma empresa, podendo tambm se tornar mais
dependente deste fornecedor.

1.2

OBJETIVOS

Com o intuito analisar o relacionamento entre a referida empresa com seus consumidores e
obter maior lealdade por parte destes, o objetivo desse trabalho construir um modelo de
regresso logstica a partir do qual se possa identificar variveis importantes para a
fidelizao de clientes baseado em outras variveis conhecidas. Desta forma a empresa
poder melhorar seu dimensionamento de esforos de marketing, bem como seus
processos de venda e ps-venda. A partir da segmentao de clientes e entendimento de
suas necessidades individuais poder ser obtida uma maior reteno de clientes, levando
assim a uma provvel reduo de despesas e maximizao de lucros.

REVISO DA LITERATURA

Para a realizao desta pesquisa alguns tpicos foram especialmente estudados. Estes
esto apresentados com mais detalhes a seguir:

2.1

O SETOR DE EQUIPAMENTOS ODONTOLGICOS NO BRASIL

De acordo com Gutierrez e Alexandre (2004), o setor de equipamentos odontolgicos

caracterizado por equipamentos mdicos e insumos cuja aplicao de seus materiais e

VII Jornada de Iniciao Cientfica - 2011

instrumentos se d na prtica odontolgica. Seus principais equipamentos so as cadeiras

de dentista, refletores, dosador e misturador de amlgamas, equipos, raios X, mochos etc.
Este setor tambm caracterizado por empresas multinacionais desde pequeno e mdio
porte, com equipamentos simplificados, at as grandes, que possuem alta tecnologia e
produo sofisticada. Estas ltimas, por apresentarem facilidades de compra, como
financiamento, pacotes de produtos e garantias de assistncia tcnica, possuem certa
vantagem competitiva em relao s nacionais menores e acabam por dominar o mercado
de equipamentos de alta tecnologia (TELES, 2002). A mesma autora ressalta que o poder
de comercializao das indstrias brasileiras e estrangeiras e o diferencial tecnolgico
atraem mais compradores como em licitaes pblicas e pacotes fechados.
Existe grande dinamismo tecnolgico e busca por inovao neste tipo de indstria,
envolvendo ento diversos outros setores, como enfatizado por Furtado ([199-] apud
TELES, 2002, p. 35), o de informtica, mecnica de preciso, setor qumico, eletrnica
digital etc. Ele tambm destaca que uma prtica habitual das grandes empresas se
associarem s empresas menores em busca do aumento de sua produo e melhor poltica
de comercializao. Contudo tal prtica ocorre, principalmente, desde que as indstrias
menores possuam uma tecnologia que agregue s maiores.
Desde 1999 a indstria brasileira de equipamentos odontolgicos, laboratrios, mdicohospitalares e insumos tm mantido bom ritmo de expanso. Em 2007 obteve faturamento
de U$ 3,74 bilhes e gerou 31,3 mil postos de trabalho, o que representa, com base em
2006, um crescimento de 21% (ASSOCIAO BRASILEIRA DA INDSTRIA DE ARTIGOS
E

EQUIPAMENTOS

MDICOS,

ODONTOLGICOS,

HOSPITALARES

DE

LABORATRIOS, 2011b).
Dentro da indstria de equipamentos e materiais mdicos, hospitalares e odontolgicos, no
Brasil, o setor de odontologia o mais competitivo. Por haver uma procura elevada por
servios dessa rea, ocorreu um aumento da oferta por parte dos profissionais do
segmento, favorecendo assim o seu desenvolvimento. Por exemplo, em 2009, existiam no
pas aproximadamente 200 mil dentistas, o que conferiu ao setor de equipamentos e
insumos odontolgicos o segundo lugar do mundo, perdendo apenas para os Estados
Unidos (PIERONI; REIS; SOUZA, 2010).
No Brasil, segundo Manfredini (2006), tal indstria possui algumas caractersticas que as
diferenciam das demais, dentre elas se sobressaem: a macia participao das exportaes
sobre as importaes, o volume considervel de pases para onde os produtos so
exportados e a produo autossuficiente no pas.

Universidade Presbiteriana Mackenzie

Nas regies Sul e Sudeste est presente a maior concentrao das indstrias do setor no
pas. Na regio Sul, principalmente no Rio Grande do Sul e Paran, localiza-se 16,7% das
empresas do setor. S em So Paulo, na regio Sudeste, h 67% das empresas, sendo
45% na Grande So Paulo (ASSOCIAO BRASILEIRA DA INDSTRIA DE ARTIGOS E
EQUIPAMENTOS

MDICOS,

ODONTOLGICOS,

HOSPITALARES

DE

LABORATRIOS, 2011a).
No Brasil, de acordo com dados de 2009, sabe-se que mais de 90% do capital de origem
nacional. Dentre os compradores desses produtos, 68,6% so do setor privado, 21,5% do
pblico, 8,8% provm de exportaes, enquanto 1% do total se distribui entre leasing,
contratos exclusivos de fornecimento de insumos e servios, etc. ASSOCIAO
BRASILEIRA

DA

INDSTRIA

DE

ARTIGOS

EQUIPAMENTOS

MDICOS,

ODONTOLGICOS, HOSPITALARES E DE LABORATRIOS, 2011c).

Na indstria internacional pode-se dizer que entre 1989 e 1998, o valor das importaes
cresceu 7,7 vezes, o que provocou um aumento de US$ 1.597.205 para US$ 12.300.66. No
subgrupo de equipamentos odontolgicos, as exportaes foram muito dinmicas, cobrindo
o aumento das importaes, sendo que o setor de aparelhos odontolgicos (MANFREDINI,
2006).

2.2

SEGMENTAO DO MERCADO CONSUMIDOR

De acordo com Shepard (1993) segmentar clientes significa alocar em pequenos grupos ou
conglomerados

indivduos

que

tenham

caractersticas,

necessidades

atitudes

semelhantes. Essa tarefa crucial para se criar modelos de previso, isso porque
esperado que clientes pertencentes ao mesmo conglomerado tenham comportamentos
semelhantes. Alm disso, ao conhecer o segmento ao qual determinado cliente pertence, a
empresa poder trat-lo de forma diferenciada de acordo com as caractersticas desse
segmento em relao ao produto ou servio oferecido.
A segmentao de mercado tambm tem a funo de auxiliar o entendimento, a composio
e as necessidades dos segmentos individuais de mercado.
Porm antes de se coletar informaes dos clientes necessrio estabelecer os objetivos
que se pretende alcanar, para que seja possvel desenvolver instrumentos de pesquisa
adequados s respostas desejadas.
Mowen e Minor (2006) definem a segmentao de mercado como um mercado dividido em
subconjuntos de clientes com equivalentes necessidades e vontades individuais, no qual
cada um deles pode ser atingido com o auxlio de um mix de marketing diferente, ou seja,

VII Jornada de Iniciao Cientfica - 2011

esses segmentos devem permitir ao consumidor acesso ao preo, praa (local de venda),
ao produto e promoo (comunicao, publicidade e propaganda). Segundo os mesmos
autores esses segmentos devem ser capazes de efetuar medidas demogrficas, de anlise
psicogrfica, de atitudes e personalidade, a partir das quais se possam analisar as
caractersticas e vontades do segmento. Alm disso, eles devem ser substanciais em
tamanho e receita a fim de que sejam capazes de obter vendas satisfatrias.
Apesar da grande vantagem de se utilizar a segmentao na coleta de dados, algumas
empresas encontram dificuldades ao aplicar esse conceito na prtica, principalmente no que
se trata de escolher as variveis mais adequadas para a separao e caracterizao dos
segmentos e escolha de qual tcnica utilizar para definir os grupos (FREITAS; HEINECK,
2008).
Um sistema de coleta de dados pode ser classificado basicamente de duas formas: dados
de fonte primria e secundria. So considerados dados primrios aqueles que so obtidos
diretamente da fonte, ou seja, por meio de interaes diretas com as pessoas ou objetos de
pesquisa (SHEPARD,1993). De acordo com Malhotra (2004) os dados primrios tm por
objetivo solucionar problemas imediatos e que ajudem diretamente na tomada de deciso.
Por exigir levantamentos, experimentos, dentre outros, sua grande desvantagem se tratar
de uma pesquisa longa, dispendiosa e cara. Em muitos casos decide-se usar dados de
fontes secundrias, que so dados obtidos de outras maneiras que no por meio do prprio
indivduo. Eles podem ser conseguidos rapidamente e com custo muito baixo porque se
costuma usar dados j coletados em outra pesquisa que tinha outra finalidade. Contudo,
esse tipo de coleta envolve uma srie de riscos.
Segundo Aaker, Kumar e Day (2004), para evitar imprecises ao utilizar esses dados devese levar em considerao a origem e reputao da fonte, se h interesse de determinado
grupo que deseja ser favorecido pela pesquisa, se a metodologia para coleta era adequada,
se os dados so obsoletos e se a fonte pode ser usada como base de comparao para a
pesquisa atual, ou seja, verificar se h pretenso de chegar ao mesmo resultado utilizando
mtodos diferentes. Alm disso, alguns dados so difceis de utilizar, pois podem ter sido
agrupados de maneira pouco compreensvel.
Nesta pesquisa foram utilizados dados primrios obtidos a partir do banco de dados da
empresa estudada.

2.3

A REGRESSO LOGSTICA

Em situaes nas quais se deseja separar dois grupos distintos ou alocar um novo elemento
em quaisquer desses grupos, duas tcnicas estatsticas so recomendadas, a Anlise

Universidade Presbiteriana Mackenzie

Discriminante e a Regresso Logstica. Ambas podem ser descritas como mtodos que
verificam a existncia de dependncia estatstica de uma varivel denominada dependente
(prevista ou explicada), em relao a uma ou mais variveis independentes (explanatrias
ou preditoras) (HAIR et al., 2009; RODRIGUES; PAULO, 2007). A aplicao da anlise
discriminante envolve muitas suposies s variveis independentes, dentre elas ter
normalidade e matrizes de varincia e covarincia iguais entre ambos os grupos de
classificao. O modelo logstico costuma ser mais utilizado, pois alm de no exigir todas
estas suposies, permite uma interpretao direta de seus coeficientes e, assim como na
regresso mltipla, consegue introduzir efeitos no lineares (HAIR et al., 2009). Outro
aspecto ressaltado pelos mesmos autores indica que o uso da anlise discriminante pode
no ser to favorvel, pois ela possui um score (dispositivo discriminatrio) classificado em
ordem crescente, o que no indica nenhum mtodo probabilstico.
A regresso logstica um caso particular de regresso na qual a varivel resposta Y
dicotmica, ou seja, pode assumir apenas dois resultados mutuamente excludentes, como
por exemplo, bom ou mal, sucesso ou fracasso, aceitar ou rejeitar, dentre outros (HAIR et
al., 2009).
Na regresso logstica, em geral, atribui-se o cdigo um ao resultado de interesse,
denominado sucesso, que representaria a presena de uma particular caracterstica e zero
ao evento complementar, denominado fracasso. A regresso logstica utilizada quando o
objetivo estabelecer uma relao entre uma varivel resposta dicotmica e uma ou mais
variveis explicativas as quais podem ser tanto qualitativas como quantitativas. Quando de
interesse de uma aplicao, a regresso logstica pode ser utilizada mesmo quando a
resposta no for originalmente binria, bastando para isto dicotomizar a varivel resposta
(FARHAT, 2003). A representao matemtica de uma regresso linear mltipla dada por:
Y = 0 + 1x1 + 2x2 + ... + nxn +

(1)

, sendo Y a varivel dependente; X1, X2, ..., Xn, as variveis independentes; 0, 1, 2, ... , n,
os coeficientes das variveis independentes e o erro ou resduo da regresso.
Segundo Hosmer e Lemeshow (2000), os mtodos empregados na regresso logstica
seguem os mesmos princpios gerais usados na regresso linear, apesar de apresentar
respostas e suposies de modelo diferentes. De maneira mais ampla, a regresso logstica
atribui varivel resposta um intervalo compreendido entre zero e um, que pode ser
interpretado como a probabilidade de ocorrncia de determinado evento. Baseado na regra
de deciso, resultados superiores a 0,5 so assumidos como possvel sucesso e inferiores
como possvel fracasso. (DIAS FILHO; CORRAR, 2007).

VII Jornada de Iniciao Cientfica - 2011

Tal relao se deve transformao da varivel resposta em razo de chance

(probabilidade) e a uma transformao logartmica, como apresentado a seguir. Seja g(xi)
uma funo linear simples, isto :
g(xi) = 0 + 1xi
(2)
A probabilidade de a varivel resposta ser classificada como sucesso dado que o valor da
varivel explicativa foi igual a xi dada por (FARHAT, 2003):

e 0 + 1xi
( xi ) = P(Y = 1 | xi ) =
1 + e 0 + 1xi
(3)
No modelo de regresso logstica simples ajusta-se uma funo da varivel resposta, g(x).
As estimaes dos parmetros 0 e 1 so realizadas utilizando-se a funo de mxima
verossimilhana.
Utiliza-se o modelo de regresso logstica mltipla quando houver mais de uma varivel
explicativa (qualitativas ou quantitativas). Neste caso tem-se:
g(xi)

1xi1

2xi2

...

pxip

(4)
As estimativas dos parmetros so obtidas por mtodos iterativos (ROSA, 2000).
conveniente o uso de pacotes estatsticos, como software Minitab, para a realizao do
clculo destas estimativas.
Na regresso logstica os resultados inferenciais so assintticos, enquanto na regresso
normal linear tais resultados so exatos. Tem-se tambm que devido varivel resposta ser
dicotmica, os resduos no tm distribuio Normal, nem varincia constante (FARHAT,
2003).
Uma vez estabelecido o modelo de regresso logstica necessrio o teste da significncia
dos parmetros bem como do ajuste do modelo. Dentre alguns possveis modelos deve-se
escolher o modelo mais simples possvel dado que tenha um bom ajuste (princpio da
parcimnia).
Aps a determinao do modelo de regresso logstica faz-se necessrio realizar alguns
testes que assegurem sua validade. Estes testes permitem reconhecer tanto as variveis
que influenciam diretamente a estimao dos parmetros da regresso quanto quelas que
no se ajustam bem e, portanto, devem ser descartadas do modelo final.

Universidade Presbiteriana Mackenzie

O nvel descritivo do teste, ou valor P, indica a probabilidade de um valor no mnimo to

extremo quanto o nvel de significncia do teste que acarreta a rejeio da hiptese nula a
partir dos dados obtidos. No caso do valor P ser, no mximo, igual ao nvel de significncia
do teste, a hiptese nula ser rejeitada (MONTGOMERY; RUNGER, 2003).
A estimativa dos coeficientes da regresso logstica pode ser interpretada a partir da razo
entre a probabilidade de sucesso e a probabilidade de fracasso, ou seja, a razo de chance
de ocorrncia de um evento, conhecida tambm como odds ratio (MOORE; McCABE,
2002). Para conseguir estimar a razo de chance basta fazer o exponencial da estimativa de
cada coeficiente.
Para fins de validao de modelo so desenvolvidas algumas estatsticas, como a de
Pearson, Deviance e Hosmer-Lemeshow. O teste de Pearson analisa as observaes e
mede o seu poder de adequao do modelo. As que no apresentarem bom ajuste so
aquelas que possuem valor de Pearson alto. J o teste de Hosmer-Lemeshow compara a as
frequncias observadas e esperadas para verificar se o modelo apresentou bom ajuste.
Neste caso ele consegue associar os dados s suas respectivas probabilidades estimadas
em ordem crescente (da mais baixa a mais alta), sendo posteriormente feito um teste
Quiquadrado para comprovar se as frequncias observadas esto prximas das frequncias
esperadas. A estatstica de Deviance calculada em funo da soma de quadrados dos
resduos do modelo logstico. Tal estatstica tambm tem distribuio Quiquadrado
(HOSMER, LEMESHOW; 2000). Nos trs testes so desejveis valores baixos de
Quiquadrado que resultem em nvel descritivo superior a 5%.
As estatsticas de SomersD, Goodman-Kruskal Gamma, e Kendalls Tau-a so testes
correlao e resumem a tabela dos pares concordantes e discordantes. Estas medidas
devem estar compreendidas no intervalo entre zero e um, nos quais os valores mais altos
indicam que o modelo tem melhor poder de previso (PENHA, 2002).

METODOLOGIA

A pesquisa foi submetida e aprovada pelo Comit de tica em Pesquisa da Universidade

Presbiteriana Mackenzie. Para a obteno dos dados pertinentes empresa em questo, o
responsvel desta instituio pelas informaes concedidas leu a Carta de Informao
Instituio e concordou em participar da pesquisa, tendo assinado o Termo de
Consentimento Livre e Esclarecido e enviado a seguir por e-mail os dados solicitados que
estavam disponveis. Cabe aqui salientar que no foi disponibilizado pela empresa dados a
respeito da fidelizao de clientes (base de dados com clientes ativos e inativos) e sim

VII Jornada de Iniciao Cientfica - 2011

dados de pesquisa telefnica realizada rotineiramente pelo Servio de Atendimento ao

Consumidor (SAC) desta empresa.
Desta pesquisa foram disponibilizadas as variveis: cidade de localizao do cliente, como o
cliente avalia a instalao dos produtos (ps-venda), como este avalia o desempenho dos
produtos (ps-venda), como este avalia a assistncia tcnica (ps-venda) e se este cliente
indicaria a empresa a algum. Para as quatro ltimas variveis os clientes atribuam notas
que variavam entre cinco (5) e zero (0), sendo tais classificaes respectivamente iguais a
excelente, muito bom, bom, razovel, ruim e pssimo. Cabe salientar que tal instrumento de
pesquisa foi desenvolvido pela empresa e por esta aplicado regularmente. A varivel
cidade de localizao do cliente foi, para a realizao da anlise estatstica, categorizada de
duas formas, a saber: regio do Brasil na qual o cliente se localiza (Norte, Nordeste, CentroOeste, Sudeste e Sul) e localizao do cliente (interior ou capital).
A amostragem utilizada foi a casual simples, sem reposio, coletada pela empresa a partir
de seu banco de dados de clientes, sendo a amostra resultante a de clientes que
responderam pesquisa de satisfao entre os meses de janeiro a junho de 2011. Na
amostra casual simples todos os elementos da populao tm chances iguais de pertencer
amostra e tal amostragem garante que as inferncias sejam vlidas (BOLFARINE,
BUSSAB, 2005).
A amostra disponibilizada continha as respostas de 1492 clientes. Esta amostra foi dividida
em duas partes, a primeira foi utilizada para a construo do modelo logstico, na qual havia
926 dados provenientes dos meses de janeiro, fevereiro, maro e abril. A segunda parte,
com 566 dados coletados em maio e junho, foi usada para a validao do modelo.
Foram realizadas anlises descritivas dos dados por meio de construo de tabelas e
realizados testes Quiquadrado de independncia entre alguns pares de variveis aleatrias.
O teste Quiquadrado utilizado quando se deseja saber se dois grupos diferem em relao
a alguma particularidade qualquer que seja (SIEGEL; CASTELLAN, 2008, p. 134), isto , se
h alguma medida de discrepncia entre as frequncias observadas e esperadas. Tal
estatstica expressa por:
2

i =1

j =1

(o

eij )

ij

eij

i =1

j =1

oij2
eij

(5)

, com o valor esperado eij definido como o produto das marginais da observao oij, dividido
pelo tamanho da amostra n. As variveis so apresentadas em uma tabela de contingncia
de modo que uma varivel est disposta nas linhas e outra nas colunas. Obtm-se ento
uma tabela de dupla entrada (SIEGEL; CASTELLAN, 2008).

10

Universidade Presbiteriana Mackenzie

Adotando r como o nmero de nveis da primeira frequncia e c o nmero de nveis da

segunda, o grau de liberdade ser igual a (r-1) (c-1) e o valor do Quiquadrado ser
encontrado a partir da equao 5.
Caso a tabela de contingncia no seja 2 x 2, a prova que Quiquadrado somente pode ser
aplicada se o nmero de clulas com freqncia inferior a 5 for menor que 20% do total de
clulas e se nenhuma clula tiver freqncia esperada inferior a 1. Se essas condies no
forem satisfeitas pelos dados na forma em que foram coletados originalmente, deve-se
combinar categorias de modo a aumentar as freqncias esperadas nas diversas clulas.
Se em uma tabela 2 x 2 houver alguma frequncia esperada inferior a 5, o teste
Quiquadrado no poder ser usado. Neste caso aconselhvel que o pesquisador use o
teste no-paramtrico exato de Fisher (COSTA NETO, 2002).
Foram construdos dois modelos de regresso logstica, um tendo como varivel resposta a
indicao positiva da empresa (notas 3, 4 ou 5) e outra tendo como varivel resposta a
excelncia no desempenho (nota 5).
Foram testados diversos modelos de regresso logstica e escolhidos os modelos que se
mostraram mais adequados. Aps a escolha dos modelos estes foram utilizados no segundo
conjunto de dados e medida a sua respectivas probabilidades de acerto.
O nvel de significncia adotado foi 0,05 e foram construdos intervalos com 95% de
confiana.
Os dados foram analisados com o auxlio do programa Minitab.

RESULTADOS E DISCUSSO

As Tabelas 1, 2 e 3 apresentam as variveis de caracterizao dos clientes referentes

regio, ao ms e localizao dentre os 926 indivduos da amostra utilizada para construo
do modelo.
Tabela 1: Regio, frequncia e percentual.

Regio
Norte
Nordeste
Centro-Oeste
Sudeste
Sul

Frequncia
18
260
60
434
154

Percentual
1,94
28,08
6,48
46,87
16,63

11

VII Jornada de Iniciao Cientfica - 2011

Tabela 2: Ms, frequncia e percentual.

Ms
Janeiro
Fevereiro
Maro
Abril

Frequncia
311
260
212
143

Percentual
33,59
28,08
22,89
15,44

Tabela 3: Localizao, frequncia e percentual.

Localizao
Interior
Capital

Frequncia
560
366

Percentual
60,48
39,52

Nas Tabelas 4, 5, 6 e 7 esto presentes as variveis de satisfao com: instalao,

desempenho, assistncia tcnica e indicao da marca.
Tabela 4: Satisfao com a instalao, frequncia e percentual.

Instalao
Pssimo
Ruim
Razovel
Bom
Muito Bom
Excelente

Frequncia
0
6
17
213
153
537

Percentual
0,00
0,65
1,84
23,00
16,52
57,99

Tabela 5: Satisfao com o desempenho, frequncia e percentual.

Desempenho
Pssimo
Ruim
Razovel
Bom
Muito Bom
Excelente

Frequncia
2
7
27
230
187
473

Percentual
0,22
0,76
2,92
24,84
20,19
51,08

Tabela 6: Satisfao com a assistncia, frequncia e percentual.

Assistncia
Pssimo
Ruim
Razovel
Bom
Muito Bom
Excelente

Frequncia
0
4
24
242
150
506

Percentual
0,00
0,43
2,59
26,13
16,20
54,64

12

Universidade Presbiteriana Mackenzie

Tabela 7: Satisfao com a indicao, frequncia e percentual.

Indicao
Pssimo
Ruim
Razovel
Bom
Muito Bom
Excelente

Frequncia
19
0
0
0
1
906

Percentual
2,05
0,00
0,00
0,00
0,11
97,84

Algumas variveis binrias auxiliares foram criadas com o intuito de se obter mais opes
para testar modelos de regresso logstica para variveis que auxiliem na previso de
fidelizao de clientes. No caso das variveis de satisfao foram criados dois grupos, o de
Excelncia e o de Positividade. No grupo de Excelncia, as variveis Instalao,
Desempenho e Assistncia foram dicotomizadas de modo que os elementos que obtiveram
nota excelente assumiram o valor um e os demais o valor zero. J para a Positividade foram
dicotomizadas as mesmas variveis considerando como um os elementos que obtiveram
notas positivas (excelente, muito bom e bom), ou seja, as notas cinco (5), quatro (4) e trs
(3), enquanto s demais notas foi atribudo o valor zero. A varivel Regio tambm foi
transformada em binria. Assim as regies Sul e Sudeste adotaram o valor um e as regies
Norte, Nordeste e Centro-Oeste o valor zero. A Tabela 8 apresenta estas variveis auxiliares
com suas respectivas freqncias e porcentagens de ocorrncia do valor um.
Tabela 8: Variveis auxiliares, percentual dos valores 1 e frequncias dos valores 1 e 0.

VARIVEIS
Excelncia na Instalao
Excelncia no Desempenho
Excelncia na Assistncia
Excelncia na Indicao
Instalao positiva
Desempenho positivo
Assistncia positiva
Indicao positiva
Regio Agrupada

Percentual de 1
57,99
51,08
54,64
97,84
97,52
96,11
96,98
97,95
63,50

Frequncia de 1
537
473
506
906
903
890
898
907
588

Frequncia de 0
389
453
420
20
23
36
28
19
338

O teste Quiquadrado foi aplicado aos pares de variveis pertinentes ao estudo. A tabela 9
apresenta os resultados e concluses obtidas.
Ao nvel de significncia de 5%, pode-se verificar que houve independncia entre todos os
pares de variveis aleatrias analisados, com exceo das variveis localizao e instalao
positiva. Neste caso h indicao de que clientes de cidades que so capitais de seus
estados se mostraram proporcionalmente mais satisfeitos com relao instalao dos

13

VII Jornada de Iniciao Cientfica - 2011

equipamentos adquiridos, tendo escolhido proporcionalmente mais as opes de satisfao

excelente, muito bom e bom.
Cabe salientar que, ao nvel de significncia de 5%, houve independncia entre regio
agrupada na qual se situa o cliente e escolher a opo de desempenho positivo. Porm
como o nvel descritivo deste teste foi prximo a 5% (P = 0,086), h indicao de tendncia
de que os clientes das regies Sul e Sudeste escolham proporcionalmente mais a opo de
desempenho positivo que os das demais regies. Aconselha-se a realizao de novas
pesquisas para confirmar ou no tal tendncia.
Tabela 9: teste Quiquadrado, nveis descritivos e concluses

VARIVEIS DE INTERE SSE

Valo r P

Localizao X Instalao Positiva

0,009

Co ncluso
Rejeita-se H 0

Localizao X Assistncia Positiva

0,979

No se rejeita H 0

Localizao X Indicao Positiva

0,809

No se rejeita H 0

Localizao X Desempenho Positivo

0,937

No se rejeita H 0

Regio agrupada X Instalao Positiva

0,862

No se rejeita H 0

Regio agrupada X Assistncia Positiva

0,627

No se rejeita H 0

Regio agrupada X Indicao Positiva

0,320

No se rejeita H 0

Regio agrupada X Desempenho Positivo

0,086

No se rejeita H 0

Localizao X Excelncia na instalao

0,433

No se rejeita H 0

Localizao X Excelncia na assistncia

0,590

No se rejeita H 0

Localizao X Excelncia na indicao

0,676

No se rejeita H 0

Localizao X Excelncia no desem penho

0,783

No se rejeita H 0

Regio agrupada X Excelncia na instalao

0,129

No se rejeita H 0

Regio agrupada X Excelncia na assistncia

0,255

No se rejeita H 0

Regio agrupada X Excelncia na indicao

0,205

No se rejeita H 0

Regio agrupada X Excelncia no desem penho

0,158

No se rejeita H 0

Para que o modelo de regresso logstica seja aceito, exige-se pelo menos um dos
coeficientes seja diferente de zero, que testes de ajuste de modelo tenham seu nvel
descritivo, ou valor P, maior que o nvel de significncia de 0,05, indicando seu ajuste. Deve
haver tambm um alto ndice de concordncia interna do modelo e uma boa capacidade de
previso.
Dois modelos de regresso logstica foram construdos, o primeiro para prever a indicao
positiva da empresa e o segundo para prever a excelncia no desempenho. Vrios
possveis modelos foram testados e a seguir so descritos os modelos que apresentaram
melhores resultados.
O primeiro modelo encontrado foi:
Yindicao positiva = 5,44133 + 0,630572 Xinstalao + 2,43750 Xdesempenho

14

Universidade Presbiteriana Mackenzie

Tanto a varivel Xinstalao como a varivel Xdesempenho valem 0, 1, 2, 3, 4 ou 5 representando

respectivamente a satisfao com classificao respectivamente igual a pssimo, ruim,
razovel, bom, muito bom e excelente.
A Tabela 10 apresenta os resultados do modelo desta regresso logstica binria:
Tabela 10 Coeficientes, erro padro do coeficiente, valor Z, nvel descritivo P, razo de chances, e intervalo
com 95% de confiana para a razo de chances.
Intervalo com 95% de confiana

Coeficiente

Erro padro do
coeficiente

constante

-5,44133

1,32174

-4,12

0,000

Instalao

0,630572

0,344982

1,83

0,068

1,88

0,96

3,69

2,4375

0,433805

5,62

0,000

11,44

4,89

26,78

Preditor

Desempenho

Razo de
chances

Limite inferior

Limite
superior

Valores longe de um para a razo de chances indicam maior associao entre a ocorrncia
do fator e a ocorrncia da varivel resposta. Para a varivel satisfao com a instalao,
uma razo de chances igual a 1,88 indica que h um aumento de 88% na chance de
sucesso da varivel resposta (indicao positiva) quando a varivel regressora, satisfao
com a instalao, se acrescer em uma unidade (melhora em um nvel na satisfao). J
para a varivel satisfao com o desempenho, uma razo de chances igual a 11,44 indica
que h um aumento de 1044% na chance de sucesso da varivel resposta (indicao
positiva) quando a varivel regressora, satisfao com o desempenho, se acrescer em uma
unidade (melhora em um nvel na satisfao).
A probabilidade de um cliente indicar positivamente a empresa dada por:

P(indicao positiva ) =

eY
1 + eY

(6)

Se esta probabilidade for superior a 0,50, o indivduo ser classificado como cliente que
provavelmente ir indicar positivamente a empresa. Por exemplo, para um indivduo com
satisfao boa na instalao e satisfao muito boa no desempenho:
Yindicao

positiva

= 5,44133 + 0,630572 x 3 + 2,43750 x 4 = 6,2004. Tem-se ento que

P(indicao positiva) = 0,9980 > 0,5, logo este cliente ser classificado como um cliente que
indicar positivamente a empresa.
A estatstica G testa a hiptese de que todos os coeficientes so iguais a zero contra a
hiptese de que ao menos um deles diferente de zero. O software forneceu valor G =
100,246, como seu respectivo nvel descritivo P igual a 0,000, portanto pode-se afirmar que
h evidncias de que pelo menos um dos coeficientes diferente de zero.

15

VII Jornada de Iniciao Cientfica - 2011

O modelo foi submetido aos trs diferentes testes de adequao. O mtodo de Pearson
apresentou valor-P = 0,320, o mtodo de Deviance, um valor-P = 0,425 e o mtodo de
Hosmer-Lemeshow, um valor-P = 0,581. Portanto, como todos os indicadores foram maiores
que 0,05, concluindo-se, ao nvel de significncia de 5%, que o modelo foi bem ajustado.
Foram calculadas vrias medidas de associao entre a varivel resposta e as
probabilidades de previso.
Para os dados da amostra usada na escolha do modelo h 907 indivduos que indicam
positivamente a marca contra 19 indivduos que indicam de forma regular ou negativa.
Podem-se formar assim 907 x 19 = 17233 pares com valores de respostas diferentes. Com
base no modelo, um par considerado concordante se o indivduo que indica a marca de
maneira positiva tem probabilidade maior de ser classificado como tal do que o indivduo
que indica a marca de maneira regular ou negativa. A porcentagem de concordncia do
modelo foi de 95,5%.
Tambm foram feitos os clculos das estatsticas de Somers' D, com valor igual a 0,93, de
Goodman-Kruskal, com valor igual a 0,96 e de Kendall's Tau-a, com valor 0,04. Estas
estatsticas resumem as tabelas de concordncia e discordncia dos pares de observaes
e devem estar compreendidas entre 0 e 1. Valores altos indicam que o modelo tem uma boa
capacidade de previso. Como somente o teste de Kendalls Tau-a apresentou ndice baixo
contra outros dois ndices muito altos, o modelo foi considerado bom.
A amostra de teste foi utilizada para calcular a probabilidade de indicao positiva nos 566
indivduos restantes. Como era conhecida a verdadeira situao quanto indicao positiva,
pode-se calcular a porcentagem de acerto que foi igual a 98,23%. Sem realizar nenhuma
estatstica a probabilidade de indicao positiva era de 97,95%, faltando 2,05% para
completar os 100%. O novo modelo explicou a mais 0,28%, o que corresponde a 13,66% do
que faltava explicar.
O segundo modelo encontrado foi:
Yexcelncia no desempenho = 5,04820 + 3,39812 Xexcelncia na instalao + 4,65198 Xexcelncia na assistencia +
0,300791 Xlocalizao - 0,158439 Xregio agrupada
Tanto a varivel Xexcelncia na instalao como a varivel Xexcelncia na assistencia valem 1 se a satisfao
foi classificada como excelente e zero caso contrrio. A varivel Xlocalizao vale 1 se o cliente
se localiza na capital e zero se este se localiza no interior. J a varivel Xregio agrupada vale um
se o cliente estiver na regio Sul ou Sudeste e zero se tiver na regio Norte, Nordeste ou
Centro-Oeste.
A Tabela 11 apresenta os resultados do modelo desta regresso logstica binria:

16

Universidade Presbiteriana Mackenzie

Tabela 11 Coeficientes, erro padro do coeficiente, valor Z, nvel descritivo P, razo de chances, e intervalo
com 95% de confiana para a razo de chances..
Intervalo com 95% de confiana

Coeficiente

Erro padro do
coeficiente

constante

-5,048200

0,472911

-10,67

0,000

Exc na Instal.

3,398120

0,336708

10,09

Exc na Assist.

4,651980

0,342700

Localizao

0,300791

0,316863

Regio agrup.

-0,158439

0,315336

Preditor

Razo de
chances

Limite inferior

Limite
superior

0,000

29,91

15,46

57,86

13,57

0,000

104,79

53,53

205,13

0,95

0,342

1,35

0,73

2,51

-0,50

0,615

0,85

0,46

1,58

Para a varivel excelncia na instalao, uma razo de chances igual a 29,91 indica que h
um aumento de 2891% na chance de sucesso da varivel resposta (excelncia no
desempenho) quando a varivel regressora, a satisfao com a instalao for classificada
como excelente. De forma anloga a razo de chances igual a 104,79 indica que h um
aumento de 10379% na chance de sucesso da varivel resposta (excelncia no
desempenho) quando a varivel regressora, a satisfao com a assistncia for classificada
como excelente. J a varivel localizao apresenta uma razo de chances igual a 1,35
indicando que h um aumento de 35% na chance de sucesso da varivel resposta
(excelncia no desempenho) quando a varivel regressora, localizao, for uma capital. Por
ltimo, a varivel regio agrupada tem uma razo de chances igual a 0,85 que indica que h
uma diminuio de 15% na chance de sucesso da varivel resposta (excelncia no
desempenho) quando a varivel regressora, regio agrupada for a regio Sul ou Sudeste.
Conforme a equao 6, se por exemplo, o cliente tiver satisfao excelente na instalao,
muito boa na assistncia e se localizar no interior da regio Sul, tem-se:
Yexcelncia no desempenho = 5,04820 + 3,39812 x 1 + 4,65198 x 0 + 0,300791 x 0 - 0,158439 x 1 =
1,8085. Tem-se ento que P(excelncia no desempenho) = 0,1408 < 0,5, logo este cliente
ser classificado como um cliente que no classificar como excelente o desempenho.
A estatstica G foi igual a 954,322, com valor-P igual a 0,000, ou seja, pode-se afirmar, ao
nvel de significncia de 5%, de que h evidncias de que pelo menos um dos coeficientes
diferente de zero.
Assim como no modelo anterior, esse modelo foi submetido aos testes de adequao. O
mtodo de Pearson apresentou valor-P igual a 0,001, no mtodo de Deviance o valor-P foi
igual a p = 0,004 e no de Hosmer-Lemeshow, o valor-P foi igual a 0,117. Este resultado no
o ideal, mas como pelo menos sob um dos critrios (teste de Hosmer-Lemeshow) o
modelo foi adequado, prosseguiu-se a anlise.
Para os dados da amostra usada na escolha do modelo h 473 indivduos que consideram
excelente o desempenho contra 453 indivduos que consideraram o desempenho muito

17

VII Jornada de Iniciao Cientfica - 2011

bom, bom, regular, ruim ou pssimo. Podem-se formar assim 473 x 453 = 214269 pares
com valores de respostas diferentes. Um par considerado concordante se o indivduo que
considera o desempenho excelente tem probabilidade maior de ser classificado como tal do
que o indivduo que atribuiu nota diferente de 5 ao desempenho. A porcentagem de
concordncia do modelo foi de 96,1%.
Tambm foram feitos os clculos das estatsticas de Somers' D, com valor igual a 0,94, de
Goodman-Kruskal, com valor igual a 0,96 e de Kendall's Tau-a, com valor 0,47. Todos estes
valores foram favorveis, atestando a boa condio de previso do modelo.
A amostra de teste foi utilizada para calcular a probabilidade de indicao positiva nos 566
indivduos restantes. Sendo assim, a porcentagem de acerto que foi igual a 92,23%. Sem
realizar nenhuma estatstica a probabilidade de desempenho excelente era de 51,08%,
faltando 48,92% para completar os 100%. O novo modelo explicou a mais 41,15%, o que
corresponde a 84,12% do que faltava explicar.

CONCLUSO

O instrumento de pesquisa de satisfao dos clientes foi desenvolvido pela empresa

pesquisada. Este apresenta problemas metodolgicos, uma vez que sua escala no
equilibrada, variando entre pssimo, ruim, razovel, bom, muito bom e excelente. Tal
situao pode levar a algum vcio, levando a crer que a satisfao seja maior que a real. A
empresa foi alertada sobre esses problemas e se mostrou favorvel a rever tal escala,
incluindo a opo muito ruim, tornando desta forma a escala equilibrada.
Outro fator que tambm pode levar a um vcio o fato da pesquisa realizada pelo SAC ser
feita por telefone, podendo causar constrangimento a quem responde ao instrumento de
pesquisa. Foi sugerido que em um ms, fosse sorteado aleatoriamente parte dos clientes
para continuar a responder a pesquisa por telefone e parte para respond-la por meio de um
questionrio annimo via Internet, equivalente ao utilizado usualmente, construdo e
disponibilizado por meio, por exemplo, da ferramenta Google Docs. Os resultados seriam
ento comparados para detectar se h ou no alguma diferena entre eles.
Cabe salientar, entretanto, que reconhecida pelo mercado a grande satisfao dos clientes
desta empresa. Para atingir tal caracterstica deve ter contribudo o fato desta empresa ter
seus processos de fabricao certificados por rgos competentes de qualidade (EN ISO
9001, BPF-Boas prticas de fabricao, EN ISO 13485 dentre outros).
A indicao positiva da empresa esteve influenciada por uma boa satisfao tanto com a
instalao quanto com o desempenho do equipamento adquirido, tendo o desempenho um

18

Universidade Presbiteriana Mackenzie

peso bem maior que a instalao. J a excelncia na satisfao com o desempenho do

equipamento esteve ligada excelncia na satisfao com a instalao, na excelncia na
satisfao com a assistncia, com a localizao na capital e nas regies Norte, Nordeste e
Centro-Oeste, levando a empresa a verificar a atuao quanto aos clientes do interior bem
como a verificao de diferenas nas diversas regies do Brasil. Embora o melhor modelo
tenha includo as variveis localizao e regio, seus pesos foram pequenos quando
comparados aos das outras duas variveis includas no modelo, a saber, satisfao com a
instalao e com a assistncia. Esta ltima teve um peso bem maior que as demais para a
escolha da excelncia no desempenho.
Sabe-se que enquanto na capital existem predominantemente filiais da empresa, no interior
o que predomina so revendedores contratados, os quais em geral no esto presentes
quando da instalao dos equipamentos. Sabe-se tambm que uma condio que pode
estar influenciando a diferena de regies a existncia de uma grande quantidade de
cursos novos em odontologia nas regies Norte, Nordeste e Centro-Oeste. Tal situao faz
com que haja muitos novos profissionais nestas localidades, bem atualizados tambm em
termos tecnolgicos, valorizando desta forma a alta tecnologia disponvel nos equipamentos
da empresa pesquisada.
O resultado destas investigaes pode levar a empresa a adotar medidas que resultem em
maiores satisfaes e consequentemente maior fidelizao dos clientes.
Cabe finalmente ressaltar que o modelo de regresso logstica funciona melhor quando a
varivel resposta tem historicamente uma probabilidade de ocorrncia perto de 50% (muita
incerteza na classificao dicotmica). Esta evidncia fez com que o modelo de regresso
logstica fosse mais adequado para a previso da varivel excelncia no desempenho do
que para a varivel indicao positiva.

REFERNCIAS
AAKER, D. A.; KUMAR V.; DAY, G. S. Pesquisa de Marketing. 2.ed. So Paulo : Atlas,
2004.
ASSOCIAO BRASILEIRA DA INDSTRIA DE ARTIGOS E EQUIPAMENTOS MDICOS,
ODONTOLGICOS, HOSPITALARES E DE LABORATRIOS - ABIMO, Dados
econmicos, So Paulo, 2011a. Disponvel em:
<http://www.abimo.org.br/content.php?page=DADOS_ECONOMICOS_PT>. Acesso em: 27
jun. 2011.
ASSOCIAO BRASILEIRA DA INDSTRIA DE ARTIGOS E EQUIPAMENTOS MDICOS,
ODONTOLGICOS, HOSPITALARES E DE LABORATRIOS - ABIMO, Histrico, So
Paulo, 2011b. Disponvel em:
<http://www.abimo.org.br/content.php?page=HISTORICO_PT>. Acesso em: 27 jun. 2011.

19

VII Jornada de Iniciao Cientfica - 2011

ASSOCIAO BRASILEIRA DA INDSTRIA DE ARTIGOS E EQUIPAMENTOS MDICOS,

ODONTOLGICOS, HOSPITALARES E DE LABORATRIOS - ABIMO, Dados
econmicos, So Paulo, 2011c. Disponvel em: <
http://www.abimo.org.br/content.php?page=DADOS_ECONOMICOS_PT>. Acesso em: 27
jun. 2011.
BOLFARINE, H.; BUSSAB, W. O. Elementos de amostragem. ABE-Projeto Fisher, So
Paulo: Edgard Blcher, 2005.
COSTA, G. G. O. Modelagem da Fidelidade dos Clientes com a Academia em que Praticam
Esportes: Uma Aplicao do Modelo de Regresso Logstica. In: SEGET 2008 SIMPSIO
DE EXCELNCIA EM GESTO E TECNOLOGIA. Anais..., Resende, 2008. Disponvel em:
<http://www.aedb.br/seget/artigos2008.php?pag=59>. Acesso em: 15 mar. 2010.
COSTA NETO, P. L. O. Estatstica. 2 ed. So Paulo, Edgard Blcher, 2002.
DIAS FILHO, J. M.; CORRAR, L. Regresso logstica. In: CORRAR, L.; PAULO, E.; DIAS
FILHO, J. M. (Org.). Anlise multivariada para os cursos de Administrao, Cincias
Contbeis e Economia. So Paulo: Atlas, 2007.
FARHAT, C. A. V. Anlise de diagnstico em regresso logstica. 2003. Dissertao
(Mestrado em Estatstica)-Instituto de Matemtica e Estatstica da Universidade de So
Paulo, So Paulo, 2003.
FREITAS, A. A. F.; HEINECK, L. F. M. Segmentao de mercado: proposta de uma
metodologia de associao entre clientes e produtos no contexto do mercado imobilirio.
Associao Nacional de Tecnologia do Ambiente Construdo, Porto alegre: 2008. Disponvel
em: < http://seer.ufrgs.br/ambienteconstruido/article/view/5181>. Acesso em: 20 jun. 2011.
GUITIERRES, R. M. V.; ALEXANDRE, P. V. M. Complexo industrial da sade: uma
introduo ao setor de insumos e equipamentos mdicos. BNDES Setorial, Rio de Janeiro,
2004. Disponvel em:
<http://www.bndes.gov.br/SiteBNDES/export/sites/default/bndes_pt/Galerias/Arquivos/conhe
cimento/bnset/set1906.pdf>. Acesso em: 28 jun. 2011.
HAIR, J. F.; BLACK, W. C.; BABIN, B.; ANDERSON, R. E.; TATHAM, R.. Anlise
multivariada de dados. 6. ed. Porto Alegre: Bookman, 2009.
HOSMER, D. W.; LEMESHOW, S. Applied Logistic Regression. 2 ed. New York: John Wiley
& Sons, 2000.
KOTLER, P.; KELLER, K. L. Administrao de marketing. 12 ed. So Paulo: Pearson
Prentice Hall, 2007.
MALHOTRA, N. K. Pesquisa de marketing: uma orientao aplicada. 3 ed. Porto Alegre:
Bookman, 2004.
MANFREDINI, M. A. Caractersticas da indstria de equipamentos odontolgicos e de
produtos para higiene bucal, 2006. Dissertao (Mestrado em Cincias)- Coordenadoria de
Controle de Doenas da Secretaria de Estado da Sade de So Paulo, So Paulo,
2006.Disponvel em: <http://www.isaude.sp.gov.br/observatorio/manfredini.pdf>. Acesso em:
28 jun. 2011.
MONTGOMERY, D. C.; RUNGER, G. C. Estatstica Aplicada e Probabilidades para
Engenheiros. 4. ed. Rio de Janeiro: LTC, 2009.

20

Universidade Presbiteriana Mackenzie

MOORE, D. S.; McCABE, G. P. Introduo prtica da Estatstica. 3 ed. Rio de Janeiro:

LTC, 2002.
MOWEN, J. C.; MINOR, M. Comportamento do consumidor. So Paulo: Prentice-Hall, 200.
PENHA, R. N. Um estudo sobre regresso logstica binria. Trabalho de Concluso de
Curso (Graduao em Engenharia de Produo)- Instituto de Engenharia Mecnica,
Departamento de Produo da Universidade Federal de Itajub, Itajub, 2002. Disponvel
em: <www.epr.unifei.edu.br/PFG/producao2002/trabalhos/Renata.PDF>. Acesso em: 17 fev.
2011
PIERONI, J. O; REIS, C.; SOUZA, J. O. B. A indstria de equipamentos e materiais
mdicos, hospitalares e odontolgicos: uma proposta de atuao do BNDES. BNDES
Setorial, Rio de Janeiro, 2010. Disponvel em:
<http://www.bndes.gov.br/SiteBNDES/export/sites/default/bndes_pt/Galerias/Arquivos/conhe
cimento/bnset/set3105.pdf>. Acesso em: 28 jun. 2011.
RODRIGUES, A.; PAULO, E. Introduo Anlise Multivariada. In: CORRAR, L.; PAULO,
E.; DIAS FILHO, J. M. (Org.). Anlise multivariada para os cursos de Administrao,
Cincias Contbeis e Economia. So Paulo: Atlas, 2007.
ROSA, P. T. M. Modelos de Credit Scoring: regresso logstica, chaid e real. 2000.
Dissertao (Mestrado em Estatstica)-Instituto de Matemtica e Estatstica da Universidade
de So Paulo, So Paulo, 2000.
SHEPARD, D. Database Marketing. So Paulo: Makron Books, 1993.
SIEGEL; S.; CASTELLAN JR., N. J. Estatstica no-paramtrica para cincias do
comportamento. Mtodos de Pesquisa. 2 ed. Porto Alegre: Bookman, 2008.
STONE, M.; WOODCOCK, N. Marketing de relacionamento. 4 ed. So Paulo: Littera mundi,
2002).
SUZUKI, Marcelo. Modelagem de Churn a partir de registros de solicitaes de reparo de
clientes. 2010. Dissertao (Mestrado em Administrao de Empresas)- Escola de
Administrao de Empresas da Fundao Getlio Vargas So Paulo, 2010.
TELES, J. O. Clusters e a indstria ligada rea da sade em Ribeiro Preto, 2002.
Dissertao (Mestrado em Economia) Departamento de Economia da Faculdade de
Economia, Administrao e Contabilidade da Universidade de So Paulo, So Paulo, 2002.
Disponvel em: <http://www.teses.usp.br/teses/disponiveis/12/12138/tde-10122002104359/pt-br.php>. Acesso em: 28 jun. 2011.
VAVRA, T. G. Marketing de relacionamento (aftermarketing): como usar o database
marketing para a reteno de clientes ou consumidores e obter a recompra continuada de
seus produtos ou servios. So Paulo: Atlas, 1993.
WHITELEY, R. C. A empresa totalmente voltada para o cliente: do planejamento ao. 4
ed. Rio de Janeiro: Campus, 1992

Contato: karinac.duarte@gmail.com e raquel.cymrot@mackenzie.br

21