Escolar Documentos
Profissional Documentos
Cultura Documentos
Trabalho 01 - Análise de Dados Gamificação
Trabalho 01 - Análise de Dados Gamificação
1. INTRODUÇÃO E JUSTIFICATIVA
A última milha é a “última etapa do processo logístico de entrega” (LIM et al, 2018) que
consiste na entrega do produto ao consumidor final, após percorrer todo o processo da cadeia
logística que inicia com o armazenamento e transporte de matérias primas e finaliza com a entrega
ao consumidor final. Essa etapa geralmente acontece em grandes centros urbanos, sendo a etapa
“mais cara, menos eficiente e mais poluente da Cadeia de Suprimentos” (GEVAERS et al, 2011).
Conforme PARKER et al no livro “Plataforma, a Revolução da Estratégia”, uma das formas
de enfrentar esse desafio é através da construção de uma plataforma que “[...] viabiliza interações
que criam valor entre produtores e consumidores externos”, (2018 p. 13), reduzindo assim valores
para a empresa ao possibilitar a operação sem aquisição de ativos, fazendo uso do conceito de
terceirização. Porém dessa abordagem emergem outros problemas, como a “facilitar interações
positivas [...] entre os produtores e consumidores de valores” (PARKER et al, 2018 p. 202) e reter
esses trabalhadores, uma vez que não possuem vínculos formais com a empresa.
Uma das formas de abordar os problemas de retenção e qualidade de entregas é utilizando
processos de gamificação, conforme proposto por Jane McGonigal no livro “A Realidade em Jogo”
(2012). Nele a autora propõe que a realidade possa ser transformada em jogo ao estabelecer metas
claras e desafiadoras, ativar emocionalmente os participantes e dar sentido às ações.
Nesse contexto, a empresa da qual os dados desse trabalho foram extraídos para análise,
uma plataforma de entregas de última milha, criou um programa de gamificação para instruir os
motoristas ao longo da jornada de entrega, explicitar os comportamentos desejados, reter os
usuários e possibilitar maiores retornos. Para isso o motorista precisa atender a alguns requisitos
operacionais (como prazo de entrega), acumular pontos para conquistar níveis. Quanto maior o
nível, mais vantagens e prioridades possuem na plataforma, potencializando maiores retornos com
o trabalho.
O objetivo deste trabalho é identificar se os motoristas participantes do programa,
principalmente dos níveis mais altos, estão obtendo pagamentos maiores frente aos demais
participantes.
2. MATERIAIS E MÉTODOS
O objetivo proposto por este trabalho, é analisar os ganhos dos motoristas na plataforma
no período definido, para tentar identificar se os motoristas que possuem um maior nível no
programa de gamificação estão auferindo valores maiores do que os demais participantes.
Para isso, a análise será dividida em três partes. A primeira busca demonstrar como a
amostra está composta, analisando a distribuição geográfica e os níveis dos motoristas que
entraram no estudo.
Na segunda parte serão exploradas as variáveis valor pago e quantidade de roteiros, para
que possa haver uma compreensão do cenário mais amplo da amostra coletada. Serão exploradas
as medidas de resumo e tendência central, bem como alguns gráficos, como histograma e boxplot.
Por fim, na terceira parte a variável valor pago será explorada de acordo com sua divisão
por níveis. Serão demonstradas as mesmas informações que a segunda parte, porém segmentadas
por nível. Dessa forma pretende-se chegar a uma conclusão que responda se o programa de
benefício é ou não benéfico aos motoristas em termos de rendimento.
Das 200 amostras de pagamento coletadas, tivemos 21,5% (43) de motoristas do nível
Ultra, o nível mais alto, 13,5% (27) motoristas do nível Mega, 7,0% (14) do nível Super e 58,0%
(116) motoristas sem nível, denominados de Parceiro. Os dados estão resumidos no Gráfico 1.
Os valores pagos aos motoristas, que será analisado na próxima parte, são baseados nos
roteiros que eles executam. Esses roteiros são compostos de uma ou mais entregas, as quais o
motorista aceita pelo aplicativo da empresa. O valor pago para cada roteiro é baseado na
quantidade de pacotes entregues, distância percorrida e cidade de operação. Na Tabela 1 estão
resumidas as informações estatísticas da variável quantidade de roteiros executados por motorista
no período:
Tabela 1 – Estatísticas para a Variável Quantidade de Roteiros
Medida Valor
Máximo 12
Mínimo 2
Média 3,97
Primeiro quartil 3
Mediana 4
Terceiro quartil 5
Desvio padrão 1,39
Coeficiente de variação 35,07
Fonte: elaborado pelos autores.
Nessa amostra, a média e a mediana são valores muito próximos e a amplitude amostral
é de 10. Os roteiros geralmente são grandes e podem ser executados entre 1 e 2 por dias; roteiros
com poucos pedidos são exceção, por isso dada a limitação do período analisado (7 dias) é
esperado que não existam grandes variações. Isso é mostrado pelo coeficiente com um valor
moderado de 35,07. No Gráfico 3 é demonstrado o boxplot da variável, sendo observável dois
valores outliers (9 e 12).
Nos dados coletados não foram pagos valores repetidos para os motoristas, por isso essa
variável para a amostra é amodal. Isso acontece porque o valor recebido é uma variável quantitativa
contínua e tem uma amplitude amostral grande, de R$ 1.493,00; o valor máximo pago é de R$
1.508,00 e o mínimo de R$ 15,00, resultando nesse valor. A mediana de R$ 356,50 é mais
representativa do que a média (R$ 395,48) pois não é afetada pelos valores extremos observados,
detalhados na sequência. O desvio padrão de R$ 258,08 demonstra que há uma divergência
considerável de valores pagos aos motoristas, confirmado pelo coeficiente de variação em 64,77.
O Gráfico 4 mostra o boxplot para os valores pagos aos motoristas e observa-se que
existem 5 valores considerados como outliers, acima de R$ 1.000,00, interferindo para que o valor
da média seja maior do que a mediana observada.
4. CONSIDERAÇÕES FINAIS
O objetivo do trabalho foi analisar o pagamento dos motoristas de uma plataforma logística
de última milha, para verificar se os motoristas que possuem níveis maiores no programa de
gamificação, utilizado para fidelização de trabalhadores autônomos, estão auferindo ganhos
maiores que os motoristas de níveis mais baixos. Para isso foi utilizada estatística descritiva de
dados.
Verificou-se que de fato os dois níveis mais altos, Ultra e Mega, estão recebendo valores
maiores do que os demais níveis, com valores de média e quartis maiores, entretanto há um
comportamento inesperado entre os níveis Super e Parceiro, no qual o primeiro deveria ter números
melhores que o segundo.
Entendeu-se que esse comportamento inesperado pode estar associado a dois fatores:
amostra insuficiente, sendo necessário aumentar a amostra e/ou os períodos de pagamentos, e
funcionamento inerente do programa.
Por isso, recomenda-se o estudo mais aprofundado dos dados, realizando uma maior
coleta e acompanhamento sobre o comportamento das variáveis ao longo do tempo para entender
a eficácia da gamificação sobre o pagamento dos motoristas.
5. REFERÊNCIAS BIBLIOGRÁFICAS
GEVAERS, Roel; VAN DE VOORDE, Eddy; VANELSLANDER, Thierry. City Distribution and
Urban Freight Transport: Multiple Perspectives, Cheltenham, Reino Unido: Edward Elgar
Publishing, p. 56–71, 2011.
LIM, Stanley Frederick W.T.; JIN, Xin; SRAI, Jagjit Singh. Consumer-driven ecommerce: A
literature review, design framework, and research agenda on last-mile logistics models.
International Journal of Physical Distribution and Logistics Management, v. 48, n. 3, p. 308–332,
2018.
McGONIGAL, Jane. A Realidade em Jogo - Por Que os Games nos Tornam Melhores e Como
Podem Mudar o Mundo. 1ª ed. São Paulo: Editora Globo, 2012. 381p.
PARKER, Geoffrey G. et al. Plataforma, a Revolução da Estratégia. 1ª ed. Rio de Janeiro: Alta
Books, 2018.