Segmentação de Usuários Usando K-means e Usabilidade de Aplicativos de Vendas

Ana Carolina Sabbadin; Juliano Schimiguel

DOI: 10.22167/2675-6528-202602650

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

Padrões de uso de um aplicativo de apoio à rotina de vendas em contexto corporativo foram analisados, considerando a crescente relevância de ferramentas móveis para equipes comerciais e o impacto da usabilidade na produtividade e adoção tecnológica. Objetivou-se segmentar usuários com base em métricas de engajamento e usabilidade extraídas de logs de uso do sistema, utilizando o algoritmo de clusterização K-means. A metodologia empregou um estudo de caso quantitativo e aplicado, com dados anonimizados de 21.878 vendedores de quatro países (Brasil, México, Colômbia e Argentina), no período de janeiro a dezembro de 2025. Incluíram-se etapas de preparação, normalização MinMax, aplicação do K-means e validação por Elbow e Silhouette. Os resultados revelaram três perfis distintos – ocasional, regular e avançado – diferenciados principalmente pela intensidade, profundidade e diversidade das interações, e não pela regularidade de acesso, o que reforçou a distinção entre frequência e qualidade de uso. As contribuições proporcionaram subsídios para personalização de estratégias de engajamento, otimização de design e gestão orientada por dados em ambientes comerciais de grande escala.

Palavras-chave: Aprendizagem não supervisionada; Clusterização; Engajamento do usuário; Sistemas de apoio à força de vendas; Usabilidade.

1. Introdução

A crescente ubiquidade dos aplicativos móveis transformou a maneira como indivíduos e organizações executam tarefas, oferecendo conveniência e acessibilidade sem precedentes. Usuários frequentemente preferem aplicativos móveis em detrimento de interfaces web tradicionais, devido à maior agilidade e facilidade na execução de atividades (Olanrewaju et al., 2020). Essa tendência é corroborada por Gartner (2021), que destaca a ascensão dos aplicativos móveis como ferramentas essenciais tanto para consumidores quanto para colaboradores, permitindo acesso a serviços e informações a qualquer momento e em qualquer lugar.

Nesse cenário, grandes empresas têm investido significativamente no desenvolvimento de aplicativos, não apenas para seus clientes, mas também para suas equipes internas, como a força de vendas. Organizações dependem cada vez mais de aplicativos móveis para apoiar operações internas e engajar clientes, especialmente em departamentos de vendas e serviços (Ghezzi et al., 2018). Tais plataformas móveis para colaboradores promovem maior coordenação e eficiência nos processos (Bharadwaj et al., 2013), facilitando a execução de tarefas e fornecendo orientação em tempo real, o que resulta em aumento da produtividade e melhor tomada de decisão (Venkatesh et al., 2012; Chen et al., 2020).

A usabilidade desses aplicativos é um fator crítico que impacta diretamente a produtividade e a adoção da ferramenta. Uma experiência ineficiente, pouco clara ou não intuitiva leva à diminuição da produtividade e ao abandono do sistema pelos usuários (Nielsen, 2012). A facilidade de uso percebida, por sua vez, influencia diretamente a aceitação e o uso efetivo da tecnologia (Davis, 1989; Venkatesh et al., 2003). A usabilidade é definida pela ISO 9241-11 (2018) e por Nielsen (1993) como o grau em que um produto pode ser utilizado por usuários específicos para atingir objetivos com eficácia, eficiência e satisfação. A experiência do usuário (UX), conforme Hassenzahl e Tractinsky (2006), é determinante para a adoção e permanência no uso de tecnologias digitais, com perspectivas recentes sobre aplicativos corporativos (Kim; Kim; Lee, 2022; Ali; Khalid; Sheraz, 2023).

Apesar do crescente investimento e uso de aplicativos corporativos para vendedores, existe uma lacuna no entendimento dos padrões de comportamento desses usuários. Grande parte dos estudos sobre usabilidade ainda se concentra no consumidor final, e não no usuário corporativo interno, como as equipes de vendas (Ghezzi et al., 2018; Venkatesh et al., 2003). Essa carência teórica impede uma compreensão aprofundada sobre como os vendedores utilizam essas plataformas em seus contextos de trabalho reais, dificultando decisões estratégicas relacionadas a melhorias de interface, treinamento e personalização de funcionalidades.

Para preencher essa lacuna, é fundamental compreender o comportamento real do usuário, o que é indispensável para o desenvolvimento de experiências eficazes (Nielsen; Loranger, 2006). A medição da usabilidade permite identificar barreiras e orientar correções de design (Sauro; Lewis, 2016). Uma abordagem eficaz para isso é a segmentação de usuários com base em padrões objetivos de interação registrados em logs de uso do aplicativo. Esses logs armazenam eventos como acessos a telas, cliques e execução de funcionalidades, permitindo a extração de métricas de engajamento e usabilidade para caracterizar perfis de comportamento em escala (Nielsen; Loranger, 2006; Sauro; Lewis, 2016).

Entre as técnicas de segmentação, os algoritmos de clusterização, como o K-means, destacam-se por sua capacidade de agrupar observações com base em similaridade entre variáveis (Tan; Steinbach; Kumar, 2019). O K-means é amplamente utilizado devido à sua eficiência computacional e interpretabilidade (Jain, 2010; MacQueen, 1967), particionando dados em grupos por minimização de distância ao centróide (Han; Kamber; Pei, 2012). Assim, a análise de usabilidade combinada à aplicação de algoritmos de clusterização, como o K-means, torna-se um recurso essencial para direcionar melhorias contínuas no aplicativo e maximizar o impacto do uso da tecnologia no desempenho comercial.

A compreensão de como os vendedores utilizam o aplicativo, segmentando-os com base em padrões reais de comportamento, contribui para gerar insights objetivos sobre a experiência de uso, priorizar necessidades de evolução da plataforma e apoiar decisões estratégicas orientadas por dados. Diante do exposto, este trabalho tem como objetivo segmentar usuários de um aplicativo de vendas com base na utilização de telas e funcionalidades chave, utilizando o algoritmo K-means.

2. Material e Métodos

Este estudo caracterizou-se como uma pesquisa de abordagem quantitativa e aplicada, configurando-se como um estudo de caso. O objetivo central foi segmentar usuários de um aplicativo de vendas com base na utilização de telas e funcionalidades-chave, empregando a metodologia de clusterização K-means. A pesquisa buscou compreender diferentes perfis de uso para fundamentar decisões estratégicas relacionadas a melhorias no produto, utilizando dados objetivos de comportamento.

Os dados utilizados foram obtidos a partir de registros de uso do aplicativo, correspondentes a interações realizadas por vendedores de uma multinacional. A amostra analisada compreendeu 21.878 vendedores, selecionados de uma base maior de usuários, localizados em quatro países: Brasil, México, Colômbia e Argentina. A coleta de dados abrangeu o período de janeiro a dezembro de 2025, focando nos mercados mais relevantes para o aplicativo.

A coleta de dados teve caráter secundário, baseada exclusivamente em logs de uso do sistema, e não envolveu instrumentos diretos como entrevistas ou questionários. Todos os dados foram rigorosamente anonimizados, garantindo o sigilo e a conformidade ética, sem qualquer identificação de usuários ou empresas. As informações extraídas dos logs incluíram frequência de acesso ao aplicativo, volume de interações por sessão, utilização de funcionalidades-chave, número de eventos executados, e recorrência e consistência de uso.

Para a segmentação, foram selecionadas variáveis que refletem a usabilidade e o engajamento dos usuários, fundamentadas em conceitos clássicos da literatura sobre experiência do usuário (UX) e usabilidade de aplicativos (Nielsen, 1993; ISO 9241-11, 2018). As métricas foram categorizadas em Eficiência, Eficácia e Satisfação e Engajamento. A Eficiência mensurou a rapidez e os recursos utilizados, incluindo número médio de cliques por tarefa, tempo médio para concluir um pedido, telas acessadas por interação e eventos por sessão.

A Eficácia avaliou a precisão e a completude com que os usuários alcançaram seus objetivos, considerando a taxa de sucesso de pedidos, frequência de erros, interações necessárias para concluir operações de venda e uso médio das funcionalidades-chave. A Satisfação e Engajamento mensurou o conforto, aceitação e envolvimento do usuário, por meio de métricas como recorrência e consistência de uso, frequência de sessões e interação com funcionalidades recomendadas. Ao todo, foram utilizados 25 eventos distintos, classificados em três categorias: ação direta, ação indireta e visualização de informação.

A etapa de preparação e limpeza dos dados foi crucial para garantir que estivessem consistentes e comparáveis. Realizou-se a agregação dos dados por usuário, criando métricas que representam o comportamento individual, como o número total de eventos e cliques, a média de cliques por evento, a quantidade de eventos distintos realizados, a quantidade de tipos de funcionalidades utilizadas e a proporção de meses ativos no período analisado. Valores ausentes foram inexistentes, e todas as variáveis foram convertidas para o tipo numérico.

Em seguida, aplicou-se a normalização MinMax para transformar cada métrica para o intervalo de 0 a 1. Essa transformação foi essencial para que todas as variáveis tivessem peso equivalente na identificação de grupos de usuários, evitando que diferenças de escala entre as métricas distorcessem a formação dos clusters, uma vez que o algoritmo K-means é sensível à magnitude dos dados.

A análise dos dados foi conduzida utilizando o algoritmo de clusterização K-means, uma técnica de aprendizagem não supervisionada. O K-means particiona os dados em k clusters, agrupando observações com base na similaridade entre variáveis (MacQueen, 1967; Jain, 2010). O funcionamento do algoritmo baseou-se na minimização da variância intra-cluster, mensurada pela soma das distâncias quadráticas entre cada observação e o centroide de seu respectivo cluster.

Inicialmente, o algoritmo definiu k centroides, e cada usuário foi atribuído ao cluster cujo centroide apresentava a menor distância euclidiana. Em seguida, os centroides foram recalculados como a média das observações atribuídas a cada cluster. Esse processo iterativo foi repetido até que o algoritmo atingisse a convergência, ou seja, quando não houvesse alterações relevantes na composição dos clusters. As análises foram realizadas utilizando a linguagem Python, com bibliotecas especializadas em ciência de dados e aprendizado de máquina.

Para determinar o número mais apropriado de clusters (k), empregaram-se o método do Elbow e a análise do coeficiente de Silhouette (Thorndike, 1953; Rousseeuw, 1987). O método do Elbow analisou a soma das distâncias quadráticas dentro dos clusters (inércia), buscando um ponto de inflexão na curva que indicasse um equilíbrio entre a complexidade do modelo e a representação dos dados. Complementarmente, o coeficiente de Silhouette avaliou a coesão interna e a separação entre os clusters, com valores mais elevados indicando agrupamentos bem definidos. O número de clusters foi definido com base na análise conjunta desses métodos.

3. Resultados e Discussão

A presente seção detalha os resultados obtidos a partir da aplicação da metodologia de clusterização K-means para segmentar usuários de um aplicativo de vendas, conforme o objetivo central deste estudo. Os achados revelam padrões de uso distintos, caracterizados por métricas de engajamento e usabilidade, que fornecem insights sobre a interação dos vendedores com a plataforma. A análise dos clusters permitiu a identificação de perfis de usuários, diferenciados pela intensidade, profundidade e diversidade das interações, e não apenas pela frequência de acesso, o que é crucial para a compreensão da usabilidade em contextos corporativos. Os resultados são apresentados em etapas, desde a caracterização dos dados até a interpretação dos perfis.

Inicialmente, a base de dados utilizada para a pesquisa compreendeu registros anonimizados de uso de um aplicativo de vendas, coletados de 21.878 vendedores em quatro países: Brasil, México, Colômbia e Argentina. O período de análise abrangeu de janeiro a dezembro de 2025, focando nos mercados mais relevantes para o aplicativo. As interações registradas incluíram eventos, cliques e utilização de funcionalidades, categorizados em três tipos principais: ação indireta, ação direta e visualização de informação. A ação indireta referia-se à visualização de tarefas designadas e produtos recomendados, enquanto a ação direta envolvia operações concretas de venda, como o registro de pedidos. A visualização de informação englobava o acesso a dados do cliente, histórico de pedidos e indicadores de desempenho, todos essenciais para o suporte ao vendedor durante a negociação.

Para a segmentação, foram selecionadas variáveis que refletem a usabilidade e o engajamento dos usuários, alinhadas aos princípios de Nielsen (1993) e à norma ISO 9241-11 (2018). As métricas foram agrupadas em três categorias: eficiência, que avalia a rapidez e os recursos utilizados; eficácia, que mede a precisão e completude na realização de objetivos; e satisfação e engajamento, que mensuram o conforto e o envolvimento do usuário. Essas métricas incluíram o número total de eventos, o volume de cliques, a média de cliques por evento, a quantidade de eventos distintos, a diversidade de tipos de funcionalidades utilizadas e a regularidade de uso, proporcionando uma visão abrangente do comportamento individual.

A análise descritiva das variáveis de uso revelou que o número total de eventos apresentou uma média de 18,89, com mediana de 21,0 e desvio padrão de 6,59. O total de cliques registrou uma média de 3.089,19, mediana de 1.603,0 e desvio padrão de 4.180,85, indicando uma alta dispersão. A média de cliques em eventos foi de 135,69, com mediana de 79,14 e desvio padrão de 171,91. Eventos distintos tiveram média de 18,18, mediana de 20,0 e desvio padrão de 6,23. Os tipos distintos de funcionalidades acessadas apresentaram média de 2,43, mediana de 3,0 e desvio padrão de 0,76. A regularidade de uso, por sua vez, teve média de 1,52, mediana de 1,67 e desvio padrão de 0,52. As métricas relacionadas ao número de cliques exibiram a maior dispersão, o que ressaltou a necessidade de normalização dos dados para a aplicação do K-means.

A preparação e normalização dos dados foram etapas cruciais para garantir a consistência e comparabilidade das variáveis, evitando distorções na formação dos clusters. Os registros originais, que correspondiam a interações individuais, foram agregados por usuário para criar métricas que representassem o comportamento individual. As métricas de total de eventos, total de cliques, média de cliques por evento, eventos distintos, tipos distintos e regularidade de uso foram calculadas a partir dos registros efetivos. Não foram identificados valores ausentes, e todas as variáveis foram convertidas para o tipo numérico. A normalização MinMax foi aplicada, transformando cada métrica para o intervalo de zero a um, assegurando que todas as variáveis tivessem peso equivalente na identificação dos grupos de usuários, conforme recomendado por Nielsen (1993) e ISO (2018) para análises de comportamento.

A aplicação do algoritmo K-means exigiu a definição do número ideal de clusters (k). Para isso, foram empregados o método do Elbow e a análise do coeficiente de Silhouette, técnicas amplamente utilizadas na literatura para avaliação da qualidade de agrupamentos em modelos de clusterização não supervisionada (Jain, 2010). O método do Elbow, que analisa a soma das distâncias quadráticas dentro dos clusters (inércia), indicou um ponto de inflexão em k = 3, sugerindo este valor como uma escolha apropriada, pois a redução da inércia se torna menos significativa a partir desse ponto (Thorndike, 1953). Este ponto representa um equilíbrio entre a complexidade do modelo e a capacidade de representação dos dados.

Complementarmente, a análise do coeficiente médio de Silhouette, que avalia a coesão interna e a separação entre os clusters (Rousseeuw, 1987), mostrou que, embora valores menores de k apresentassem coeficientes ligeiramente superiores, a adoção de três clusters proporcionava uma maior capacidade de diferenciação e interpretação dos perfis analisados, sem comprometer significativamente a qualidade dos agrupamentos. A análise conjunta de ambos os métodos confirmou que o valor k = 3 oferece um equilíbrio adequado entre a complexidade do modelo e a qualidade da segmentação. Dessa forma, o valor k = 3 foi adotado como o número final de clusters para este estudo, permitindo identificar níveis distintos de engajamento e usabilidade (baixo, médio e alto).

A clusterização resultou na identificação de três perfis distintos de usuários, denominados Usuários Ocasionais (Cluster 0), Usuários Regulares (Cluster 1) e Usuários Avançados (Cluster 2). As diferenças entre esses grupos foram expressivas, principalmente nas métricas relacionadas ao número total de cliques, à média de cliques por evento e à diversidade de eventos e tipos de funcionalidades acessadas. A variável regularidade de uso, embora incluída no modelo, apresentou baixa variabilidade entre os clusters, indicando que não foi um fator discriminante para a segmentação dos perfis, que foram definidos principalmente pelas demais cinco variáveis.

O Cluster 0, denominado Usuários Ocasionais, apresentou o menor nível de engajamento, com uma média de 8,6 eventos, 251 cliques no total e 21,7 cliques por evento. Este grupo realizou cerca de 8 eventos distintos e acessou, em média, 2,4 tipos de funcionalidades, o que sugere um uso pontual e limitado do aplicativo. Embora a regularidade de acesso fosse similar aos outros clusters, a baixa intensidade de interação e a exploração restrita de funcionalidades caracterizam este perfil como usuários que realizam tarefas simples e objetivas, sem aprofundar-se nos recursos da plataforma.

O Cluster 1, identificado como Usuários Regulares, demonstrou um nível intermediário de engajamento. Este grupo registrou uma média de 21 eventos, 2.252 cliques totais e 101 cliques por evento. Além disso, acessou cerca de 20 eventos distintos e 3,73 tipos de funcionalidades. Esses usuários interagem com o sistema de forma mais aprofundada, explorando diversas funcionalidades e realizando tarefas mais complexas, porém ainda em um nível moderado em comparação com o grupo de maior engajamento. A regularidade de uso também se mostrou semelhante aos demais clusters, reforçando a ideia de que a diferença está na qualidade e profundidade da interação.

Por fim, o Cluster 2, denominado Usuários Avançados, representou o grupo mais ativo e engajado. Com uma média de 24 eventos, 10.225 cliques totais e 425 cliques por evento, este perfil destacou-se pelo elevado volume e intensidade de interações. Os Usuários Avançados registraram 23 eventos distintos e 3,68 tipos de funcionalidades acessadas, indicando que exploram a maioria dos recursos do aplicativo e realizam tarefas complexas de forma consistente. Este comportamento sugere usuários experientes ou dependentes do sistema, que utilizam intensamente suas funcionalidades e interagem de forma aprofundada, mesmo com uma regularidade de uso similar aos outros grupos.

Os achados reforçam a ideia de que a frequência de acesso, ou regularidade de uso, não é suficiente para explicar a maturidade de uso de um aplicativo, conforme apontado por Sauro e Lewis (2016). As diferenças substanciais entre os clusters nas métricas de eficiência e eficácia, como o número total de eventos, volume de cliques, média de cliques por evento e diversidade de funcionalidades acessadas, indicam que os usuários se distinguem fundamentalmente pela forma como utilizam o sistema, e não apenas pelo “quanto” o utilizam. Essa diferenciação é crucial para compreender a usabilidade percebida e a maturidade no uso do sistema como fatores centrais na segmentação.

A aplicação do algoritmo K-means mostrou-se viável e eficaz para identificar padrões de comportamento consistentes em um ambiente de aplicativo de vendas (Jain, 2010; Tan; Steinbach; Kumar, 2019). Os perfis identificados fornecem uma base sólida para decisões estratégicas e melhorias do sistema, permitindo priorizar funcionalidades, otimizar fluxos de uso e direcionar ações específicas para aumentar o engajamento e a satisfação de cada tipo de usuário, alinhando-se aos princípios de usabilidade de Nielsen (1993) e ISO 9241-11 (2018). Essa abordagem contribui para a personalização de estratégias de engajamento, otimização do design e gestão orientada por dados.

O principal diferencial deste estudo reside na integração de métricas de usabilidade, engajamento e comportamento real de uso, extraídas diretamente de logs do sistema, em um contexto empresarial de grande escala e alta complexidade operacional. Ao contrário de muitos estudos que se baseiam em métricas autorreportadas, esta pesquisa demonstra como princípios clássicos de usabilidade podem ser operacionalizados por meio de dados observacionais objetivos. A evidência de que usuários com frequência de uso semelhante podem apresentar perfis de interação radicalmente distintos reforça a necessidade de abordagens mais granulares e comportamentais para a segmentação em sistemas corporativos, indo além de variáveis sociodemográficas ou métricas agregadas de acesso.

Do ponto de vista prático, os resultados oferecem contribuições relevantes para empresas que utilizam aplicativos digitais no suporte às operações comerciais. A identificação de perfis distintos permite o desenvolvimento de ações específicas para cada grupo, como treinamentos direcionados para usuários ocasionais ou funcionalidades avançadas para usuários experientes. A compreensão das funcionalidades exploradas por usuários avançados pode orientar melhorias de usabilidade e simplificação de fluxos para usuários menos engajados. Além disso, a segmentação comportamental fornece subsídios objetivos para a tomada de decisão, permitindo monitorar a evolução dos usuários entre clusters ao longo do tempo e personalizar melhorias de produto para otimizar o desempenho de cada grupo. Isso maximiza o retorno do investimento em tecnologia, focando na qualidade do uso e incentivando comportamentos que contribuem para o desempenho comercial e a satisfação do usuário.

Em síntese, este estudo demonstrou que a análise conjunta de métricas de engajamento e usabilidade, aliada a técnicas de clusterização, constitui uma abordagem robusta para compreender o comportamento de usuários em sistemas corporativos. Ao evidenciar que a regularidade de uso não é suficiente para explicar diferenças de comportamento, a pesquisa reforça a importância de investigar a profundidade, diversidade e qualidade das interações, oferecendo contribuições teóricas e práticas relevantes para a área de sistemas de informação, usabilidade e gestão comercial orientada por dados, respondendo ao objetivo de segmentar usuários com base na utilização de telas e funcionalidades chave do aplicativo.

4. Conclusão

O estudo objetivou segmentar usuários de um aplicativo de vendas com base na utilização de telas e funcionalidades chave, empregando o algoritmo K-means. Verificou-se a existência de três perfis distintos de usuários – ocasional, regular e avançado – identificados a partir de métricas de engajamento e usabilidade extraídas de logs de uso do sistema. Os achados revelaram que a diferenciação entre esses grupos ocorreu principalmente pela intensidade, profundidade e diversidade das interações com a plataforma, e não pela regularidade de acesso. Observou-se que a frequência de uso, embora presente, não foi o fator discriminante para a segmentação, indicando que usuários com padrões de acesso semelhantes podem apresentar comportamentos de interação radicalmente distintos em termos de exploração de funcionalidades e volume de ações. Essa distinção reforça a compreensão de que a qualidade e a profundidade do uso são mais relevantes do que a mera frequência para caracterizar a maturidade de interação com sistemas corporativos.

A principal contribuição deste trabalho reside na operacionalização de princípios clássicos de usabilidade por meio de dados observacionais objetivos, fornecendo subsídios para a personalização de estratégias de engajamento, otimização do design e gestão orientada por dados em ambientes comerciais de grande escala. A identificação desses perfis permite que as empresas desenvolvam ações específicas, como treinamentos direcionados para usuários ocasionais ou aprimoramento de funcionalidades para os avançados, maximizando o retorno sobre o investimento em tecnologia. Contudo, o estudo, de natureza quantitativa e de caso, não explorou as diferenças de uso por país, aprofundou-se nas razões para o alto volume de cliques dos usuários avançados, nem analisou a evolução temporal dos usuários entre os clusters ou a correlação direta dos perfis com o desempenho comercial. Sugere-se, portanto, que estudos futuros investiguem essas lacunas, incluindo análises comparativas por país, pesquisas qualitativas sobre o comportamento de cliques e estudos longitudinais para mapear a migração entre perfis e a relação com resultados de vendas.

Referências Bibliográficas

ALI, M.; KHALID, S.; SHERAZ, M. Usability evaluation of mobile business applications. Journal of Systems and Information Technology, v. 25, n. 2, 2023.

BHARADWAJ, A.; EL SAWY, O. A.; PAVLOU, P. A.; VENKATRAMAN, N. Digital Business Strategy: Toward a Next Generation of Insights. MIS Quarterly, 2013.

CHEN, J. et al. Impact of Mobile Sales Applications on Employee Performance. Journal of Business Research, 2020.

DAVIS, F. D. Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, v. 13, n. 3, p. 319–340, 1989.

GARTNER. Forecast: Mobile Applications Worldwide, 2021–2025. Gartner Research, 2021.

GHEZZI, A. et al. Digital transformation and business model innovation: Role of mobile applications. Technological Forecasting & Social Change, 2018.

HAN, J.; KAMBER, M.; PEI, J. Data Mining: Concepts and Techniques. 3. ed. Morgan Kaufmann, 2012.

HASSENZAHL, M.; TRACTINSKY, N. User experience – A research agenda. Behaviour & Information Technology, v. 25, n. 2, p. 91–97, 2006.

INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. Ergonomics of human-system interaction – Part 11: Usability: Definitions and concepts. ISO 9241-11:2018. Geneva: ISO, 2018.

JAIN, A. K. Data clustering: 50 years beyond K-Means. Pattern Recognition Letters, v. 31, n. 8, p. 651-666, 2010.

KIM, J.; KIM, J.; LEE, Y. Understanding user experience in mobile enterprise applications. International Journal of Human-Computer Studies, v. 158, 2022.

MACQUEEN, J. Some methods for classification and analysis of multivariate observations. In: BERKELEY SYMPOSIUM ON MATHEMATICAL STATISTICS AND PROBABILITY, 5., 1967, Berkeley. Proceedings… Berkeley: University of California Press, 1967. p. 281-297.

NIELSEN, J. Usability 101: Introduction to Usability. Nielsen Norman Group, 2012.

NIELSEN, J.; LORANGER, H. Prioritizing Web Usability. Berkeley: New Riders, 2006.

NIELSEN, Jakob. Usability Engineering. San Francisco: Morgan Kaufmann, 1993.

OLANREWAJU, R. et al. Mobile Application Usage Patterns: Implications for Service Design. International Journal of Mobile Human Computer Interaction, 2020.

ROUSSEEUW, P. J. Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, v. 20, p. 53–65, 1987.

SAURO, J.; LEWIS, J. R. Quantifying the User Experience: Practical Statistics for User Research. 2. ed. Amsterdam: Morgan Kaufmann, 2016.

TAN, P.-N.; STEINBACH, M.; KUMAR, V. Introduction to Data Mining. 2. ed. Pearson, 2019.

THORNDIKE, R. L. Who belongs in the family? Psychometrika, v. 18, n. 4, p. 267–276, 1953.

VENKATESH, V.; MORRIS, M. G.; DAVIS, G. B.; DAVIS, F. D. User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly, v. 27, n. 3, p. 425–478, 2003.

VENKATESH, V.; THONG, J. Y. L.; XU, X. Consumer Acceptance and Use of Information Technology: Extending the Unified Theory of Acceptance and Use of Technology. MIS Quarterly, 2012.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy