Trabalho de Conclusão de Curso apresentado para obtenção do título

de especialista em Data Science e Analytics – 2022

Uso de técnicas de análise de dados no lançamento de uma marca de bebidas no

Distrito Federal

Ana Carolina dos Santos Custódio¹*; Gabrielle Maria Romeiro Lombardi²

1 Administradora. Quadra 202, lote 7, Ed. Sinfonia – Águas Claras; 71937-720 Brasília, DF, Brasil
2Universidade de São Paulo. Doutora em Genética e Melhoramento de Plantas. Rua Alexandre Herculano, 120 -
Vila Monteiro; 13418-445 Piracicaba, São Paulo, Brasil
*autor correspondente: anacarolinacustodio@gmail.com

1
Trabalho de Conclusão de Curso apresentado para obtenção do título
de especialista em Data Science e Analytics – 2022

Uso de técnicas de análise de dados no lançamento de uma marca de bebidas no

Distrito Federal

Resumo

Inovar através da oferta de um novo produto ou marca constitui uma ferramenta

fundamental para a manutenção de uma organização. Inúmeras variáveis podem estar
relacionadas ao sucesso do lançamento de alguma marca. Este trabalho teve como objetivo
geral estudar as relações de interdependência das vendas em razão das associações entre
as categorias das variáveis de interesse no lançamento de uma marca de uma empresa de
bebidas no Distrito Federal. Para tanto, foi utilizado o método de Análise de Correspondência
Múltipla (ACM) o qual utiliza dados categóricos para entender a relação de duas ou mais
variáveis. Os resultados demonstram relação significante de todas as combinações par a par
das variáveis escolhidas com algumas categorias se relacionando mais fortemente com
outras, podendo assim melhor direcionar as estratégias comerciais e de marketing da marca
em questão para a empresa.
Palavras-chave: ACM; inovação; vendas; volume; renda.

Introdução

Um dos maiores desafios atuais das empresas é manter-se relevante. A estratégia da

inovação tanto nas entregas oferecidas ao mercado quanto na agilidade da manutenção das
estruturas organizacionais internas, tornam-se fatores fundamentais para o nascimento e
crescimento das empresas. Para Teixeira e Rocha (1994), inovação é o aprimoramento de
produtos e processos, e segundo Gonçalves e Gomes (1993) ela contribui para o avanço
tecnológico e para o desenvolvimento das organizações. Para Nicolsky (2008), a inovação
destina-se a dar mais competitividade a uma tecnologia, de um produto ou processo,
ampliando a participação da empresa no mercado e, assim, agregando valor econômico e
lucratividade.
Segundo Lazzarini et al. (2015) a economia brasileira expandiu-se rapidamente ao
longo dos anos 2000 suscitando amplas mudanças em diversos segmentos da atividade
econômica, e no âmbito do mercado de consumo três características são absolutamente
marcantes, sendo elas: aumento significativo do poder de compra dos indivíduos, crescimento
vertiginoso do nível de informação sobre produtos e serviços e diversificação da oferta.
Toda atividade econômica tem a venda como um dos seus elementos essenciais, e os
esforços dos diferentes setores e departamentos devem ser orientados para gerar vendas
(Ratto, 2007). Para entender o impacto das vendas faz-se necessário analisar os dados
gerados em cada área do objeto de estudo, como, por exemplo, local do ponto de venda,
volume de venda por região, hábitos de consumo, renda per capita da região, preço médio
praticado e índice de recompra de determinado produto.
Cada vez mais todas as áreas do conhecimento humano requerem a análise de dados
como técnica para aprimorar suas estratégias, como no estudo de Barioni Júnior et al. (2019)

2
Trabalho de Conclusão de Curso apresentado para obtenção do título
de especialista em Data Science e Analytics – 2022

que utilizou a Análise de Correspondência Múltipla para identificar fatores associados ao

retorno econômico na atividade leiteira no Estado de Minas Gerais, bem como os estudos de
Moraes e Barros Neto (2020) que também utilizaram da Análise de Correspondência Múltipla
para detectar mudanças da densidade de lesões pulmonares.
A Análise de Correspondência Múltipla (ACM) é uma técnica de análise exploratória
que possibilita trabalhar com dados categóricos e investigar a associação entre duas ou mais
variáveis (Fávero e Belfiore, 2015). Na ACM, o objetivo é exibir geometricamente as linhas e
colunas por meio de coordenadas, de modo que a proximidade no mapa perceptual indique
similaridade entre esses indivíduos estatísticos (Greenacre, 1984; Hair et al., 2009).
Então dessa forma, o objetivo geral desse projeto é estudar as relações de
interdependência das vendas em razão das associações entre as categorias das variáveis de
interesse, bem como verificar a aceitação do produto lançado, entendimento do perfil de
consumo dos clientes, embasamento para auxiliar nas estratégias de marketing e do
posicionamento da marca lançada, e direcionar estratégias assertivas e personalizadas para
cada público.

Material e Métodos

A classificação de pesquisa quanto aos seus objetivos, se divide em três grandes

grupos: exploratórias, descritivas e explicativas (Kipnis et al., 2005). A opção que mais se
aproximou ao tipo de estudo foi a exploratória utilizando dados reais, onde foram formuladas
hipóteses, desenvolvimento de teorias, e explicação das variáveis causas do fenômeno em
questão.
Este trabalho teve como finalidade a realização de um estudo para entender as
relações de interdependência em razão das associações entre as categorias das variáveis de
interesse. As bases de dados utilizadas para a modelagem foram obtidas por meio de dados
internos e externos, de uma determinada marca de cerveja, a longo do ano de 2022. Foi
analisada a variável Embalagem, classificada como Garrafa, Lata ou Long Neck. Também
analisou o Intervalo de Volume em hectolitro (HL) vendidos em cada categoria dos produtos
da amostra, sendo os intervalos 0HL - 0.3HL, 0.3HL - 1.5HL, e volumes acima de 1.5HL. Por
fim, a última variável estudada foi o Intervalo de Renda Per Capita do bairro em que se
encontra cada observação da amostra, sendo um intervalo R$4.408 - R$8.317 e outro R$570
- R$858.
A base de dados final utilizada nesse estudo é composta por 2970 observações de
PDVs (Pontos de Vendas) que compraram algum volume do produto lançado no ano de 2022,
em qualquer uma de suas possíveis embalagens. Os intervalos de volumes foram definidos

3
Trabalho de Conclusão de Curso apresentado para obtenção do título
de especialista em Data Science e Analytics – 2022

em torno da média aritmética da amostra em comparação com o tamanho da amostra, e os

intervalos de renda per capita foram definidos através da renda média per capita, obtidas pelo
site do IBGE, de cada bairro analisado, sendo o intervalo R$4.408 - R$8.317 composto pelos
bairros de maior renda média per capita do Distrito Federal, e o intervalo R$570 - R$858 os
de menor renda média per capita do Distrito Federal.
O método utilizado foi a análise ACM – Análise de Correspondências Múltiplas, com o
auxílio de ferramentas de machine learning utilizando o software R, para melhor entender a
relação das variáveis, a fim de aprimorar o entendimento a respeito do perfil de consumo da
amostra, e observar na prática se as estratégias da empresa estão sendo refletidas na ponta
através de suas vendas.
O grande objetivo das Análises de Correspondências é o estabelecimento de um mapa
perceptual. O mapa perceptual é uma espécie de gráfico que utilizará coordenadas que
representarão as linhas e as colunas de uma tabela de contingências (Greenacre, 1984; Hair
JR. et al., 2009).
A primeira parte da realização de uma ACM consiste na construção de tabelas de
frequências observadas Xo, ou matriz de contingência, para obter as frequências absolutas
observadas das categorias em cada par de variáveis.
A segunda etapa consiste no estudo das associações entre as categorias das variáveis
em questão. Para o estudo das associações entre as categorias das variáveis, foi utilizado o
Teste 𝜒² e a análise dos resíduos padronizados ajustados. O Teste 𝜒² indica se as
associações entre as categorias das variáveis se associam, ou não, de forma aleatória,
enquanto a análise dos resíduos padronizados ajustados revela os padrões característicos de
cada categoria de uma variável segundo o excesso ou falta de ocorrências de sua combinação
com cada categoria de outra variável (Fávero e Belfiore, 2015).
A terceira etapa consiste na decomposição da Inércia Principal Total. O Teste 𝜒²
consegue apontar se as associações entre as categorias de dadas variáveis se dá, ou não,
de forma aleatória, porém, o Teste 𝜒² aumenta à medida que a amostra aumenta. Então, no
lugar de decompor o 𝜒² para realizar a análise de correspondência, padronizou-se em razão
do tamanho amostra para, então, decompô-lo através do cálculo de sua Inércia Principal Total.
A última etapa é o cálculo das coordenadas das categorias para realização do Mapa
Perceptual, o grande produto dessa análise.
Para complementar o trabalho, foram utilizadas algumas análises de séries temporais,
a fim de melhor entender comportamentos de sazonalidade e tendência, tendo como
parâmetro o volume total do produto comercializado mês a mês no ano de 2022. Também foi
analisado o comportamento de volume em bairros de renda per capita mais altos versus
bairros com menor renda.

4
Trabalho de Conclusão de Curso apresentado para obtenção do título
de especialista em Data Science e Analytics – 2022

Resultados e Discussão

Não há como estabelecer uma única tabela de contingência que abranja todas as
variáveis presentes na base de dados, assim, utiliza-se a função sjt.xtab () para analisar as
variáveis duas a duas. O resultado dessa função figura na observação em linha das
frequências observadas, frequências esperadas, % das frequências observadas em linha e %
das frequências observadas em coluna, além de outros indicadores como o resultado do teste
𝜒², df que é o menor valor entre (Linhas - 1) ou (Colunas - 1) da tabela de contingências,
Crammer’s que indica o tamanho do efeito de uma medida objetiva e padronizada sobre um
efeito observado, e o P-Value. A Tabela 1 apresenta a primeira tabela de contingência entre
as variáveis Embalagem e Intervalo de Volume HL.

Tabela 1. Tabela de contingência Embalagem e Intervalo de Volume

Intervalo Volume HL
Embalagem +1,5HL 0,3HL - 1,5HL 0HL - 0,3HL Total
383 260 316 959
Garrafas 319 314 326 959
39,9% 27,1% 33,0% 100,0%
38,8% 26,7% 31,3% 32,3%
328 268 338 934
311 306 317 934
Lata
35,1% 28,7% 36.2% 100,0%
33,2% 27,5% 33,5% 31,4%
277 445 355 1077
358 353 366 1077
Long Neck
25,7% 41,3% 33,0% 100,0%
28,0% 45,7% 35,2% 36,3%
988 973 1009 2970
988 973 1009 2970
Total
33,3% 32,8% 34,0% 100,0%
100,0% 100,0% 100,0% 100,0%
X² = 72,322 df = 4 Crammer's = 0,110 p= 0,000
Fonte: Resultados originais da pesquisa

Na Tabela 1 foi possível verificar que as variáveis Intervalo Volume HL e Embalagem

se relacionaram-se dado que seu P-Value resultou em 0,0000 com 5% de significância em
um intervalo de confiança de 95%. Além disso, pode-se observar uma distribuição uniforme
do volume das embalagens dentro dos intervalos de volume totais da amostra, uma maior
predominância de volume distribuído nas embalagens de garrafa para o cluster de maior

5
Trabalho de Conclusão de Curso apresentado para obtenção do título
de especialista em Data Science e Analytics – 2022

volume (+1,5HL), em detrimento de um maior peso da embalagem Long Neck nos clusters
intermediário (0,3HL - 1,5HL) e baixo (0HL - 0,3HL) de volume. A Tabela 2 apresenta a
segunda tabela de contingência entre as variáveis Embalagem e Intervalo de Renda Per
Capita.

Tabela 2. Tabela de contingência Embalagem e Intervalo Renda Per Capita

Intervalo Renda Per Capita
Embalagem R$ 4,408 - R$ 8.317 R$ 570 - R$ 858 Total
618 341 959
580 379 959
Garrafas
64,4% 35,6% 100,0%
34,4% 29,0% 32,3%
467 467 934
564 370 934
Lata
50,0% 50,0% 100,0%
26,0% 39,7% 31,4%
710 367 1077
651 426 1077
Long Neck
65,9% 34,1% 100,0%
39,6% 31,2% 36,3%
1795 1175 2970
1795 1175 2970
Total
60,40% 39,60% 100%
100,0% 100,0% 100,0%
X² = 62.545 df = 2 Crammer's = 0,145 p= 0,000
Fonte: Resultados originais da pesquisa

Na Tabela 2 é possível verificar que as variáveis Intervalo Renda Per Capita e

Embalagem relacionaram-se de forma significante dado que seu P-Value resultou em 0,0000
ao nível de 5% de significância em um intervalo 95% de confiança. Pode-se observar uma
maior predominância nas embalagens Garrafa e Long Neck dentro do maior intervalo de renda
per capita R$4,408 - R$8.317 em detrimento do menor intervalo, e na embalagem Lata não
tem diferença de concentração de amostra nos valores observados. Porém, nos valores
esperados essa diferença é um pouco maior para o maior Intervalo de Renda Per Capita. A
Tabela 3 a seguir apresenta a terceira tabela de contingência entre as variáveis Intervalo de
Renda Per Capita e Intervalo de Volume HL.

6
Trabalho de Conclusão de Curso apresentado para obtenção do título
de especialista em Data Science e Analytics – 2022

Tabela 3. Tabela de contingência Intervalo de Volume HL e Intervalo Renda Per Capita

Intervalo Volume HL
Intervalo Renda
+1.5HL 0,3HL - 1,5HL 0HL - 0,3HL Total
Per Capita
695 572 528 1795
R$ 4,408 - R$ 597 588 610 1795
8.317 38,7% 31,9% 29,4% 100,0%
70,3% 58,8% 52,3% 60,4%
293 401 481 1175
391 385 399 1175
R$ 570 - R$ 858
24,9% 34,1% 40,9% 100,0%
29,7% 41,2% 47,7% 39,6%
988 973 1009 2970
988 973 1009 2970
Total
33,3% 32,8% 34,0% 100,0%
100,0% 100,0% 100,0% 100,0%
X² = 69,405 df = 2 Crammer's = 0,153 p= 0,000
Fonte: Resultados originais da pesquisa

Na Tabela 3 foi possível verificar que as variáveis Intervalo Volume HL e Intervalo

Renda Per Capita também se relacionaram a um P-Value de 0,0000 com 5% de significância
em um intervalo de confiança de 95%. Pode-se observar uma maior concentração de volume
no Intervalo de Renda Per Capita mais alta, e no Intervalo de Renda Per Capita mais baixo a
amostra se mostrou mais concentrada no menor Intervalo de Volume de Vendas.
São hipóteses do teste, H0: as duas variáveis categóricas se associam de forma
aleatória; H1: as duas variáveis categóricas não se associam de forma aleatória. Como todas
as tabelas apresentaram significância, pode-se dar segmento com a ACM.
Assim sendo, a próxima etapa foi o cálculo da Inércia Total Explicada, métrica de
associação para condensar a dimensão da amostra. A decomposição inercial para a
elaboração da análise de correspondência perpassa pela extração dos eigenvalues de uma
matriz 𝐖 que é elaborada pela formula 𝐖 = 𝐀 ′𝐀, onde A é calculado pela combinação de
matrizes de frequências relativas observadas, matrizes de massa das linhas e matrizes de
colunas. A Figura 1 apresenta a Inércia Total Explicada de 100% da amostra avaliada, onde
47,3% da amostra está sendo explicada nas dimensões 1 e 2.

7
Trabalho de Conclusão de Curso apresentado para obtenção do título
de especialista em Data Science e Analytics – 2022

Figura 1. Inércia Total Explicada

Fonte: Resultados originais da pesquisa

A última etapa da ACM, que é o estabelecimento do Mapa Perceptual é apresentado

na Figura 2. Para esse cálculo, precisou-se definir o número de categorias por variável, depois
transformar o objeto ACM em um data frame, levando-se em consideração quais tipos de
coordenadas seriam plotadas. Nesse estudo utilizou-se as coordenadas dadas por uma matriz
binária.

8
Trabalho de Conclusão de Curso apresentado para obtenção do título
de especialista em Data Science e Analytics – 2022

Figura 2. Mapa Perceptual

Fonte: Resultados originais da pesquisa

Observa-se no mapa perceptual que a embalagem Garrafa está mais próxima do maior
intervalo de volume, a embalagem Long Neck se associa de forma mais próxima no intervalo
intermediário de volume, enquanto a Lata se aproxima do menor intervalo de volume da
amostra e também se mostrou próxima do menor intervalo de renda per capita (Figura 2).
Pode-se notar do lado esquerdo do mapa a concentração do maior Intervalo de Renda Per
Capita e todas as variáveis que mais se associam a ele (Garrafa e Intervalo de Volume
+1,5HL), enquanto do lado direito temos o menor Intervalo de Renda Per Capita e as variáveis
que mais se associam a ele (Lata e Intervalo de Volume 0HL – 0). Ressalta-se que 47,32%
da amostra está sendo explicada em duas dimensões e se adicionado uma terceira dimensão
pode-se inferir um possível rearranjo de coordenadas no mapa perceptual.
Ao avançar na visualização do Mapa Perceptual evidencia-se as posições relativas,
ou coordenadas das observações (Figura 3).

9
Trabalho de Conclusão de Curso apresentado para obtenção do título
de especialista em Data Science e Analytics – 2022

Figura 3. Mapa Perceptual das Observações

Fonte: Resultados originais da pesquisa

Observa-se uma distribuição aparente uniforme entre todas as variáveis da amostra,

porém uma maior concentração de observações próximas ao intervalo de renda per capita
mais alto e uma maior concentração de amostra no intervalo de menor volume, na embalagem
Lata e na embalagem Garrafa (Figura 3). A maior concentração de observações localizada no
meio do mapa, possivelmente são observações que compraram mais de uma embalagem
durante o período da amostra e que mais se distanciam do cluster de maior volume.
A Figura 4 e a Figura 5 a seguir apresentam uma análise do comportamento de vendas
e tendência de volume nos bairros de renda per capita mais altos e mais bairros,
respectivamente.

10
Trabalho de Conclusão de Curso apresentado para obtenção do título
de especialista em Data Science e Analytics – 2022

Figura 4. Comportamento de vendas e tendência nos bairros de maior renda per capita
Fonte: Resultados originais da pesquisa

Figura 5. Comportamento de vendas e tendência nos bairros de menor renda per capita
Fonte: Resultados originais da pesquisa

Por fim, observa-se maior volume absoluto concentrado em bairros de renda per capita
mais alta e uma tendência de crescimento de vendas nessa região, em detrimento de uma
tendência mais constante nos bairros de renda per capita mais baixa com maiores desvios de
predição (Figura 4 e 5).

Considerações Finais

É fato que a estratégia da inovação de produtos é relevante para a manutenção das

empresas e que as vendas são um excelente indicador de performance. Essa pesquisa teve
como objetivo geral estudar as relações de interdependência das variáveis escolhidas que

11
Trabalho de Conclusão de Curso apresentado para obtenção do título
de especialista em Data Science e Analytics – 2022

podem influenciar as vendas, a fim de entender padrões de consumo e melhor direcionar

estratégias comerciais e de marketing.
Através do estudo de caso de uma empresa de bebidas no lançamento de uma nova
marca, pode-se observar pelo mapa perceptual uma forte correlação da categoria de maior
renda per capita da variável Renda Per Capita com as categorias de maior volume da variável
Intervalo de Volume e da embalagem Garrafa. Por outro lado, observa-se uma maior
correlação da categoria de menor Renda per Capita da variável Intervalo de Renda per Capita
com as categorias de menor volume da variável Intervalo de Volume e da embalagem Lata.
Uma hipótese para tal demonstração é que se tem maior concentração de bares
segmentados internamente como VIPs Garrafeiros em bairros de maior renda per capita e
que consomem historicamente os maiores volumes da empresa, além disso o preço praticado
pela marca deste estudo, está posicionado acima da maioria das marcas de maior volume do
portfólio da empresa, justificando assim maior presença e estabilidade de consumo desta
marca em bairros de renda per capita mais alta, em contrapartida a uma maior flutuação de
vendas e sensibilidade nos bairros de renda per capita mais baixos.
Por fim, foram escolhidas três variáveis que passaram no teste de significância, porém,
como limitação de pesquisa e indicação para pesquisas futuras, existem outras variáveis que
não estão neste trabalho e podem influenciar os resultados, como o preço praticado do
produto e as marcas concorrentes, a segmentação/perfil de cada Ponto de Venda, os
investimentos de Trade Marketing, Marketing e promoção feitos em cada região da amostra e
seus impactos, e características gerais do produto como nível de amargor, teor alcoólico e
demais atributos da marca.

Referências

Barioni, J.; De Mori, C.; Camargo, A.; Novo A.; Vinholis, M. 2019. Uso da Análise de
Correspondência Múltipla na identificação de fatores associados ao retorno econômico na
atividade leiteira no Estado de Minas Gerais. Sigmae, v.8, n.2, p. 636-641.

Camilleri, M.A. 2018. Market Segmentation, Targeting and Positioning. In: Travel Marketing,
Tourism Economics and the Airline Product. Tourism, Hospitality & Event Management.
Springer, Cham, Switzerland.

Ciência de dados: o que é, atuação, salário e curso. EAD PUCPR, 2021. Disponível em:
<https://ead.pucpr.br/blog/ciencia-de-dados-o-que-e>. Acesso em: 15/04/2021

Fávero, L. P.; Belfiore, P. 2015. Técnicas Multivariadas Exploratórias com SPSS e STATA.
GEN Atlas, São Paulo, Brasil.

Frank, R. E; Massy, W. F; Wind, Y. 1972. Market segmentation. Englewood Cliffs:

PrenticeHall.

12
Trabalho de Conclusão de Curso apresentado para obtenção do título
de especialista em Data Science e Analytics – 2022

Gonçalves, J. E. L.; Gomes, C. A. 1993. A tecnologia: realização do trabalho. Revista de

Administração de Empresas, São Paulo, v. 33, n. 1, p. 106-121.

Goyat, S. 2011. The basis of market segmentation: a critical review of literature. European
Journal of Business and Management, [S.l.], v. 3, n. 9, p. 45-54.

Greenacre, M. 1984. Theory and Applications of Correspondence Analysis. [S.l: s.n.].

Hair JR., J. F. et al. 2009. Análise Multivariada de Dados. Porto Alegre: Bookman.

Ignácio, S. A. 2012. Importância da Estatística para o Processo de Conhecimento e Tomada

de Decisão. Revista Paranaense de Desenvolvimento - RPD, (118), p. 175–192.

Kamakura, W.A. 2000. Market segmentation: conceptual and methodological foundations.

Boston: Kluwer Academics Publishers.

Kipnis, B. 2005. Elementos de pesquisa e a prática do pesquisador. São Paulo: Moderna,

Brasília, DF: Editora UNB.

Lazzarini, J.; Angelo, C.; Fouto, N.; Luppe, M. 2015. Uma Análise da Definição do
Sortimento nos Supermercados Brasileiros e sua Influência nas Vendas. Revista Brasileira
de Marketing, v. 14, n. 4, p. 502-512.

Matos, F. 2010. Segmentação de mercado como estratégia de marketing. Rio de Janeiro:

Universidade Candido Mendes.

Moraes, I.; Barros Neto, S. 2020. Detecção de Mudanças de Densidade de Lesões

Pulmonares Através do Método de Análise de Correspondência Múltipla. In: Simpósio
Brasileiro de Computação Aplicada à Saúde (SBCAS), Evento Online. Anais [...]. Porto
Alegre: Sociedade Brasileira de Computação, p. 273-284. ISSN 2763-8952.

Nicolsky, R. Os desafios para transformar conhecimento em valor econômico. Disponível

em: <https://www.comciencia.br/dossies-1-72/reportagens/cientec/cientec12.htm>. Acesso
em: 13 agosto 2022.

Paruchuri, H. 2019. Market Segmentation, Targeting, and Positioning Using Machine

Learning. Asian Journal of Applied Science and Engineering, 8, 7–14.

Portal Data Science. 2018. Introdução a Clusterização e os Diferentes Métodos. Portal Data
Science Blog. Disponível em: <https://portaldatascience.com/introducao-a-clusterizacao-e-
os-diferentes-metodos/>. Acesso: 19/04/2022

Ratto, L. 2007. Vendas técnicas de trabalho e mercado. Rio de Janeiro: Senac Nacional.

Riscarolli, V.; Souza, S.; Rodrigues, L.; Zucco, F. 2014. Segmentação de mercado em
empresas de base tecnológica: o caso da segmentação de espumantes. Revista Brasileira
de Marketing, v. 13, n. 3, p. 90-107.

Rocha, K; Junior A. 2018. Anova Medidas Repetidas e Seus Pressupostos: Análise passo a
passo de um experimento. Revista Eletrônica Perspectivas da Ciência e Tecnologia, v.10.

Smith, W. 1956. Product differentiation and Market segmentation as alternative marketing

strategies. Journal of Marketing, [S.l.], v. 21, n. 1, p. 3-8.

13
Trabalho de Conclusão de Curso apresentado para obtenção do título
de especialista em Data Science e Analytics – 2022

Teixeira, F.; Rocha, F. 1994. Estratégia tecnológica na petroquímica brasileira. In: Encontro
da Associação Nacional de Pós-Graduação e Pesquisa em Administração, Curitiba.

Tynan, A; Drayton, J. 1987. Market segmentation. Journal of Marketing Management,

Helensburg, v.2, n. 3, p 301-335.

Wedel, M. 1990. Clusterwise regression and market segmentation. Thesis (Doctoral) –

Groningen University, Groningen.

14