Caique Pessoa de Carvalho Neves; Alex Nunes de Almeida

DOI: 10.22167/2675-6528-202601827

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

O setor de adquirência desempenha um papel central na infraestrutura de pagamentos, e compreender as diferenças estruturais entre as empresas adquirentes, com base em indicadores operacionais e econômicos, mostrou-se crucial para diagnósticos e decisões fundamentados em dados. O estudo teve como objetivo segmentar as adquirentes brasileiras utilizando indicadores trimestrais de porte, capilaridade, mix de canais e métricas econômicas, empregando análise exploratória de dados e o algoritmo de agrupamento K-means para identificar perfis estratégicos distintos. Realizou-se uma pesquisa quantitativa, exploratória e descritiva, utilizando uma base de dados estruturada com informações trimestrais de adquirentes brasileiras ao longo de doze períodos. A definição do número de agrupamentos baseou-se no método do cotovelo (elbow method) e no coeficiente de silhueta, sendo a interpretação reforçada pela visualização via Análise de Componentes Principais (PCA). Os principais resultados revelaram a formação de dois perfis predominantes: um caracterizado por maior escala e capilaridade, com elevado volume de transações e spreads médios mais comprimidos; e outro com maior participação do canal remoto e maior monetização relativa, evidenciada pela taxa MDR e por spreads médios mais elevados. Concluiu-se que o agrupamento reduziu a complexidade multivariada do mercado a perfis interpretáveis, oferecendo uma base objetiva para benchmarking e para a interpretação estratégica do posicionamento das adquirentes, com potencial de aplicação na análise de dados para a tomada de decisões.

Palavras-chave: Adquirência; Análise multivariada; K-means; Pagamentos digitais; Perfis estratégicos.

1. Introdução

A indústria de adquirência desempenha um papel central na infraestrutura de pagamentos, atuando como elo entre estabelecimentos comerciais, consumidores e arranjos de pagamento. Essa função é exercida por meio do processamento, captura e liquidação de transações, sendo vital para o funcionamento do comércio moderno.

O ambiente atual é marcado por alta concorrência, uma digitalização acelerada e constantes mudanças no mix de canais e modalidades de pagamento. Nesse cenário dinâmico, torna-se essencial para os participantes do mercado compreender as diferenças estruturais entre as adquirentes, utilizando indicadores operacionais e econômicos. Tal compreensão é fundamental para embasar diagnósticos comparativos e decisões estratégicas orientadas por dados.

Estudos sobre plataformas e mercados de dois lados, como os de Rochet e Tirole (2003) e Evans (2003), evidenciam que, em ecossistemas de pagamento, fatores como escala, alcance da rede e a estrutura de incentivos influenciam diretamente o desempenho e o posicionamento competitivo. Isso ocorre, em parte, devido aos efeitos indiretos de rede e à dinâmica de adoção por múltiplos agentes. A tomada de decisão sobre preços e o desenho de serviços em mercados bilaterais, portanto, exige a consideração simultânea de ambos os lados do mercado e suas sensibilidades.

Na prática, as adquirentes brasileiras apresentam distinções significativas que vão além da volumetria e cobertura. Elas diferem no mix de canais, na composição das transações e na estrutura de receitas e custos, o que naturalmente gera perfis operacionais e estratégicos distintos. Essas variações são cruciais para a formulação de estratégias de produto, distribuição, precificação e comercialização.

Do ponto de vista gerencial, a comparação entre adquirentes é um desafio que envolve múltiplas dimensões. Indicadores de porte e capilaridade, como o número de estabelecimentos ativos e o parque de terminais, fornecem uma medida da capacidade instalada e da penetração de rede. Métricas de mix, como a participação do canal remoto, revelam a orientação estratégica para segmentos e jornadas de pagamento específicos, impactando a precificação e o risco. Já as métricas econômicas, como a taxa de desconto do lojista (MDR) e a taxa de intercâmbio (TIC), sintetizam componentes fundamentais do modelo de rentabilidade, pois a diferença entre receita e custos de intercâmbio aproxima o spread e as pressões competitivas sobre as margens.

A literatura de gestão e análise de dados, conforme Hair et al. (2010), recomenda a adoção de uma abordagem exploratória e multivariada em cenários com muitas variáveis correlacionadas e comportamento heterogêneo entre entidades. Essa metodologia é crucial para reduzir vieses de interpretação unidimensional e para apoiar diagnósticos mais robustos. Análises que integram volumetria, rede, mix e variáveis de preço e custo oferecem uma leitura mais completa do posicionamento e das possíveis trajetórias estratégicas das adquirentes.

No campo dos métodos quantitativos, as técnicas de clusterização não supervisionadas são amplamente empregadas para identificar grupos homogêneos sem rótulos pré-definidos. O algoritmo K-means, introduzido por MacQueen (1967), busca particionar observações minimizando a variância intragrupo, resultando em agrupamentos interpretáveis. Revisões metodológicas, como as de Jain (2010) e Hastie, Tibshirani e Friedman (2009), destacam a utilidade desses algoritmos para a descoberta de estrutura em dados e para o suporte à tomada de decisão, especialmente na criação de perfis e benchmarks. Para garantir a qualidade da separação, medidas como o coeficiente silhouette, proposto por Rousseeuw (1987), comparam a coesão intragrupo e a separação intergrupos, fornecendo evidência quantitativa para a seleção do número de clusters. Além disso, técnicas de redução de dimensionalidade, como a Análise de Componentes Principais (PCA) de Jolliffe (2002), são úteis para visualização e validação qualitativa dos agrupamentos, projetando variáveis correlacionadas em poucos componentes e preservando a máxima variância possível.

Apesar da relevância prática, as análises de mercado frequentemente abordam as adquirentes de forma agregada ou com recortes limitados, o que pode mascarar diferenças importantes. Comparações baseadas apenas em volume podem confundir escala com estratégia, e análises focadas somente em preços podem desconsiderar os efeitos do mix de canais, da cobertura e da composição das transações. Diante dessa lacuna, existe a necessidade de um diagnóstico estruturado que combine múltiplas dimensões operacionais e econômicas, permitindo identificar perfis comparáveis e relações plausíveis entre porte, canal remoto, parcelado e métricas como MDR, TIC e spread. Uma segmentação consistente pode, por exemplo, apoiar a definição de benchmarks por perfil, a priorização de iniciativas de produto para adquirentes com maior foco em canais remotos e a formulação de hipóteses sobre trade-offs entre escala e precificação em diferentes estratégias competitivas. Adotar uma abordagem exploratória e transparente, com critérios objetivos de escolha do número de clusters e leitura econômica dos agrupamentos, reduz o risco de conclusões baseadas em impressões e fortalece a rastreabilidade analítica, alinhando-se às recomendações de rigor em análises aplicadas com métodos estatísticos e de aprendizado de máquina (Hair et al., 2010). Nesse contexto, o objetivo deste trabalho é segmentar adquirentes brasileiras, com base em indicadores trimestrais de porte, capilaridade, mix de canais, composição das transações e métricas econômicas, utilizando análise exploratória de dados e clusterização pelo algoritmo K-means, a fim de identificar perfis operacionais e estratégicos distintos que apoiem diagnósticos comparativos, benchmarks e direcionamentos de precificação e produto.

2. Material e Métodos

A pesquisa foi caracterizada como aplicada, de natureza quantitativa, com objetivos exploratórios e descritivos, buscando gerar conhecimento prático para compreender padrões estruturais no mercado de adquirência e apoiar decisões gerenciais (Gil, 2019). Adotou-se uma abordagem quantitativa, utilizando dados numéricos e indicadores econômicos para análises estatísticas e modelagem por clusterização (Vergara, 2016). O estudo foi desenvolvido no contexto do mercado brasileiro de adquirência, tendo como unidade de análise adquirentes atuantes nesse setor, observadas longitudinalmente ao longo de doze períodos trimestrais consecutivos para avaliar tendências.

A base de dados utilizada consistiu em informações estruturadas de dez adquirentes brasileiras, totalizando 120 observações trimestrais. Essa base de domínio público, “Base Cluster Adquirência”, foi acessada na plataforma Kaggle (https://www.kaggle.com/datasets/dipohenrique/base-cluster-adiquirencia) em fevereiro de 2026, configurando uma pesquisa documental (Gil, 2019). As variáveis analisadas foram organizadas em dimensões de escala, volumetria, rede, infraestrutura operacional, mix de transações, precificação (MDR), custos (TIC), spread, cobertura e concentração geográfica. Para a clusterização, as variáveis foram agregadas por adquirente, utilizando soma para escala e média para percentuais e estruturais.

A preparação dos dados foi crucial para assegurar consistência e adequação estatística, conforme recomendado para dados secundários (Gil, 2019; Vergara, 2016). Realizaram-se verificações de integridade estrutural, padronização de nomenclaturas e identificação de valores ausentes. Checagens de consistência lógica dos indicadores percentuais, como a soma de participações de crédito e débito, ou presencial e remoto, foram efetuadas para garantir a coerência interna das variáveis de mix. As variáveis foram padronizadas para média zero e desvio padrão unitário, mitigando a influência desproporcional de magnitudes no cálculo das distâncias euclidianas (Hastie, Tibshirani e Friedman, 2009).

O pipeline analítico adotado no estudo foi estruturado em oito etapas sequenciais. Inicialmente, realizou-se a preparação e validação da base de dados, seguida pela análise exploratória de dados e agregação temporal por adquirente. Posteriormente, as variáveis foram padronizadas. A quinta etapa envolveu a aplicação do algoritmo K-means para segmentação. A definição do número de clusters foi baseada no método do cotovelo e no coeficiente silhouette. A validação qualitativa ocorreu por meio de projeção em Análise de Componentes Principais (PCA), e, por fim, realizou-se a interpretação econômica dos perfis identificados.

A análise exploratória de dados (EDA) foi conduzida para compreender a estrutura da base, identificar padrões temporais e apoiar a interpretação econômica das variáveis antes da clusterização (Gil, 2019; Vergara, 2016). A EDA iniciou com a observação agregada do mercado ao longo do tempo, avançando para análises por adquirente e por dimensão analítica. Foram produzidas visualizações da evolução trimestral do total de transações e do valor total transacionado, consolidados para todas as adquirentes, e avaliada a evolução do valor transacionado por adquirente. Análises temporais foram agregadas semestralmente para reduzir ruído de curto prazo.

Para a formação dos agrupamentos, adotou-se o algoritmo K-means, um método não supervisionado que busca minimizar a variância intragrupo e maximizar a diferenciação entre clusters (MacQueen, 1967). A escolha do K-means foi motivada por sua interpretabilidade e adequação para obter agrupamentos comparáveis. A definição do número de clusters (k) foi uma etapa crítica, baseada na combinação do método do cotovelo (elbow) e do coeficiente silhouette (Hastie, Tibshirani e Friedman, 2009). O método do cotovelo avalia a inércia, enquanto o coeficiente silhouette (Rousseeuw, 1987) mede coesão interna e separação entre grupos, fortalecendo o rigor da escolha de k.

Após a execução do K-means, realizou-se validação qualitativa por meio de visualização em baixa dimensionalidade, aplicando a Análise de Componentes Principais (PCA) (Jolliffe, 2002). A PCA foi utilizada exclusivamente como ferramenta de visualização e diagnóstico, permitindo observar a distribuição relativa das adquirentes e a separação visual entre clusters, complementando as métricas quantitativas (Hastie, Tibshirani e Friedman, 2009). Concluída a modelagem e validação, procedeu-se à síntese e interpretação dos perfis identificados, baseada em estatísticas descritivas agregadas por cluster, com médias e totais das variáveis organizadas por dimensões, visando perfis economicamente interpretáveis (Gil, 2019; Vergara, 2016).

3. Resultados e Discussão

Esta seção apresenta os resultados empíricos obtidos a partir da base trimestral de adquirência, organizada em doze períodos, e a discussão analítica dos achados. Inicialmente, são detalhados os gráficos de evolução e comparação que descrevem a dinâmica do mercado e o comportamento relativo das adquirentes em termos de escala, mix de canais e indicadores econômicos. Em seguida, é abordada a etapa de segmentação, que inclui a escolha do número de clusters, a visualização em baixa dimensionalidade e as tabelas de síntese que descrevem os perfis resultantes. O objetivo é fornecer uma compreensão aprofundada das características estruturais e estratégicas das adquirentes brasileiras, conforme proposto pelo estudo.

Dinâmica Agregada do Mercado

A análise da evolução trimestral do mercado de adquirência revela tendências e oscilações importantes no volume de transações. A Figura 1 consolida o total de transações processadas no mercado em cada trimestre, oferecendo um panorama do comportamento agregado do setor. Este contexto é fundamental para interpretar a segmentação das empresas, pois permite distinguir movimentos setoriais de variações específicas de cada adquirente, evitando que a análise seja uma fotografia estática de um único ponto no tempo e reconhecendo a dinâmica do mercado ao longo do período estudado.

Figura 1. Evolução trimestral do total de transações do mercado (soma das adquirentes)

Fonte: Resultados originais da pesquisa

A variação observada no volume de transações ao longo dos trimestres, com mudanças de nível, auxilia na separação de movimentos estruturais de curto prazo. Essa perspectiva é crucial para a segmentação, que não deve ser vista como um retrato instantâneo, mas como uma representação de um período em que o mercado passou por diferentes ritmos de crescimento. A consolidação dos dados de mercado evita que variações individuais de uma adquirente sejam erroneamente interpretadas como mudanças setoriais, garantindo uma base mais robusta para a análise. A Figura 2, a seguir, detalha a evolução do TPV agregado por trimestre.

O gráfico da Figura 2 complementa a análise do volume de transações ao apresentar a dimensão financeira do processamento. Ele permite verificar se o crescimento do mercado ocorreu apenas em quantidade de transações ou também em valor. A trajetória do TPV é um indicador crucial para inferir a expansão do faturamento processado, e sua comparação com o volume de transações pode sinalizar mudanças no ticket médio do mercado, o que tem implicações diretas para as estratégias de adquirência.

Figura 2. Evolução trimestral do valor total transacionado (TPV) do mercado (soma das adquirentes)

Fonte: Resultados originais da pesquisa

A diferença entre o crescimento do valor e do volume de transações sugere a possibilidade de uma alteração no ticket médio, um fator relevante para as adquirentes. Estratégias de crescimento podem envolver a atração de mais estabelecimentos, a penetração em segmentos de maior valor ou a ampliação da participação em canais com diferentes comportamentos de ticket. Essa distinção é vital para compreender o posicionamento estratégico das empresas no mercado. A Figura 3, apresentada na sequência, detalha o TPV trimestral por adquirente, revelando a heterogeneidade individual.

A Figura 3 tem como objetivo visualizar a heterogeneidade entre as empresas, identificando trajetórias de ganho ou perda relativa e avaliando a persistência das diferenças de escala ao longo do período. Este gráfico é essencial para compreender que o mercado de adquirência não é homogêneo, mas composto por players com diferentes capacidades e estratégias. A observação dessas trajetórias individuais prepara o terreno para a clusterização, que busca agrupar adquirentes com perfis semelhantes, e não apenas ordená-las por porte absoluto.

Figura 3. Evolução do valor transacionado por adquirente ao longo do tempo

Fonte: Resultados originais da pesquisa

O gráfico evidencia a existência de perfis com níveis de TPV claramente distintos, onde algumas adquirentes operam em patamares elevados e estáveis, enquanto outras apresentam menor escala e maior variabilidade. Essa heterogeneidade é consistente com um mercado concentrado em poucos grandes players e um conjunto de adquirentes que disputam nichos específicos. A leitura desses dados é fundamental para a clusterização, pois ela agrupa esses perfis multivariados, considerando não apenas o porte, mas também outras características operacionais e econômicas. A Figura 4, a seguir, apresenta a soma de transações por semestre para cada adquirente.

A agregação semestral das transações por adquirente, ilustrada na Figura 4, foi realizada para reduzir o ruído trimestral e facilitar a comparação do comportamento estrutural das empresas. Essa abordagem é particularmente útil para avaliar tendências persistentes e diferenças sistemáticas entre adquirentes, especialmente quando as variações trimestrais poderiam dificultar a interpretação gerencial. A consolidação semestral proporciona uma visão mais estável e confiável dos perfis de operação, que são considerados na segmentação posterior.

Figura 4. Transações por adquirente com agregação semestral

Fonte: Resultados originais da pesquisa

A agregação semestral torna mais clara a separação entre adquirentes de alta escala e aquelas com operação menor, o que é um insumo valioso para a segmentação. Quando o comportamento das transações se mantém consistente por semestre, aumenta a confiança de que o perfil observado não é resultado de um trimestre atípico, mas sim uma característica estrutural da adquirente. Essa consistência é crucial para a robustez da clusterização, que se baseia em variáveis de escala acumulada e médias de posicionamento. A Figura 5, na sequência, mostra o percentual médio de TPV capturado em canal remoto por semestre.

Indicadores de Mix e Precificação

A participação do canal remoto no TPV, apresentada na Figura 5, é uma variável chave para diferenciar a orientação estratégica das adquirentes. Ela indica o foco em e-commerce, links de pagamento, APIs e outros fluxos digitais, em contraste com a dependência do canal presencial. Essa distinção é fundamental, pois o mix de canais tem um impacto direto no modelo operacional, na estrutura de receita e nos custos, uma vez que diferentes canais e modalidades de pagamento tendem a apresentar precificação e estruturas de custo distintas.

Figura 5. Participação do canal remoto por adquirente (média semestral, %)

Fonte: Resultados originais da pesquisa

Observa-se que algumas adquirentes mantêm uma participação remota consistentemente mais elevada ao longo do período, enquanto outras permanecem mais dependentes do canal presencial. Esse contraste reflete diferentes estratégias de mercado e afeta diretamente a combinação de receita e custo das empresas. O mix remoto, portanto, é uma dimensão importante que ajuda a separar grupos de adquirentes com estratégias distintas no mercado. A Figura 6, a seguir, apresenta a MDR geral média por semestre para cada adquirente, um indicador crucial de precificação.

A MDR geral, ilustrada na Figura 6, sintetiza a receita bruta percentual associada ao processamento de transações, funcionando como um indicador de posicionamento de precificação no mercado. A comparação entre adquirentes revela diferenças de nível significativas, que podem ser atribuídas a diversos fatores. Uma MDR mais elevada pode estar associada a um mix de modalidades com taxas maiores, à oferta de serviços diferenciados ou à atuação em segmentos com menor sensibilidade a preço, refletindo uma estratégia de especialização e margem.

Figura 6. MDR geral por adquirente (média semestral, %)

Fonte: Resultados originais da pesquisa

Por outro lado, uma MDR mais baixa pode indicar uma estratégia de escala e competitividade em taxa, buscando maior volume de transações. Essa leitura é crucial para a segmentação, pois ajuda a distinguir perfis que competem por volume daqueles que competem por especialização e margem. A compreensão dessas diferenças de precificação é essencial para a interpretação dos clusters e para o diagnóstico estratégico do mercado de adquirência. A Figura 7, na sequência, mostra a TIC geral média por semestre, que representa um componente de custo.

A TIC geral, apresentada na Figura 7, representa um componente relevante de custo, associado ao intercâmbio de transações. Sua análise conjunta com a MDR é fundamental para compreender a pressão sobre as margens das adquirentes. Embora a TIC tenda a variar menos do que a MDR, ainda assim apresenta diferenças entre as empresas. Essa variação, quando comparada com a MDR, permite derivar o spread, uma medida sintética útil para comparar a rentabilidade bruta entre adquirentes e entender as dinâmicas competitivas do setor.

Figura 7. TIC geral por adquirente (média semestral, %)

Fonte: Resultados originais da pesquisa

O comportamento da TIC ajuda a explicar por que algumas adquirentes conseguem sustentar spreads mais altos, enquanto outras operam com spreads mais comprimidos, o que se conecta diretamente ao debate sobre competitividade e estratégia no setor de adquirência. A análise integrada de MDR e TIC permite uma visão mais completa do posicionamento econômico de cada player. Com esses indicadores de mercado contextualizados, a próxima etapa da análise focou na definição do número de clusters, conforme detalhado na Figura 8.

Definição e Validação dos Clusters

A definição do número de clusters (k) é uma etapa crítica no processo de segmentação, e o método do cotovelo, ilustrado na Figura 8, foi utilizado para auxiliar nessa escolha. O objetivo é identificar o ponto em que a redução da inércia (soma dos quadrados das distâncias dentro dos clusters) começa a apresentar ganhos marginais menores, sugerindo uma escolha parcimoniosa para o valor de k. Esse critério é amplamente empregado em aplicações práticas de K-means por sua simplicidade e capacidade explicativa (Hastie, Tibshirani e Friedman, 2009).

Figura 8. Método do cotovelo (inércia por k)

Fonte: Resultados originais da pesquisa

O gráfico indica que, embora o aumento de k reduza a inércia, o ganho incremental diminui a partir de um certo ponto, o que sugere a escolha de um número reduzido de clusters. Essa abordagem de parcimônia favorece a interpretação gerencial e evita a fragmentação excessiva do conjunto de adquirentes, o que é especialmente importante em amostras com número limitado de empresas. Para fortalecer essa decisão, o coeficiente silhouette, uma métrica de validação quantitativa, foi também calculado, conforme apresentado na Figura 9.

O coeficiente silhouette, apresentado na Figura 9, é uma medida que compara a coesão interna e a separação entre os grupos, servindo como um critério quantitativo para avaliar a qualidade da segmentação. Valores mais altos indicam uma melhor separação média entre os clusters, o que significa que as observações estão, em média, mais próximas do seu próprio cluster e mais distantes dos demais. No contexto deste estudo, o comportamento do silhouette reforça a escolha de um k parcimonioso.

Figura 9. Coeficiente silhouette por k

Fonte: Resultados originais da pesquisa

A análise do coeficiente silhouette sugere que a estrutura dos dados suporta poucos perfis principais, alinhados a diferenças de escala, capilaridade, mix e precificação. Essa medida, em conjunto com o método do cotovelo, fortaleceu o rigor da escolha de k, reduzindo a arbitrariedade na decisão e assegurando que os agrupamentos fossem estatisticamente válidos e interpretáveis. A etapa seguinte envolveu a validação qualitativa dos clusters por meio de visualização, utilizando a Análise de Componentes Principais (PCA), conforme detalhado na Figura 10.

A projeção PCA em 2D, ilustrada na Figura 10, foi utilizada para validar qualitativamente os clusters, projetando as adquirentes em duas dimensões a partir das variáveis padronizadas. O objetivo é facilitar a visualização dos grupos encontrados e verificar a plausibilidade dos agrupamentos. Essa representação auxilia a checar se as observações da mesma clusterização tendem a ocupar regiões próximas no plano, confirmando a coerência visual dos agrupamentos e apoiando a interpretação gerencial dos perfis identificados (Jolliffe, 2002).

Figura 10. Projeção PCA em 2D com adquirentes coloridas por cluster

Fonte: Resultados originais da pesquisa

A disposição dos pontos na projeção PCA indica uma separação visual clara entre os grupos, com maior proximidade relativa entre as adquirentes classificadas no mesmo cluster. Essa validação visual é complementar aos critérios quantitativos, ajudando a confirmar a consistência dos agrupamentos e a identificar casos que possam estar na fronteira entre perfis. Em um uso prático, essa visualização também apoia a comunicação executiva dos resultados, resumindo um conjunto multivariado em uma representação única e de fácil compreensão. A Tabela 1, a seguir, apresenta o ranking de adquirentes por TPV acumulado.

Perfis Estratégicos dos Clusters

A Tabela 1 apresenta o ordenamento das adquirentes por TPV acumulado ao longo do horizonte analisado. Este ranking fornece uma leitura objetiva da concentração de escala no mercado e apoia a interpretação do cluster de maior porte. As empresas no topo da lista tendem a concentrar uma parcela significativa do volume total do mercado, o que é um fator determinante para a diferenciação dos perfis estratégicos identificados pela clusterização. Essa concentração de volume é um dos pilares para a formação de grupos distintos.

Tabela 1. Ranking de adquirentes por TPV acumulado no período

Adquirente	Grupo controlador	TPV acumulado (bi R$)	Cluster
Cielo	Bradesco/BB	183.46	1
Rede	Itaú	116.75	1
Getnet	Santander	52.32	1
Stone	Independente	34.42	1
Page	Independente	22.75	0
Bank/PagSeguro
Mercado Pago	Independente	19.65	0
SumUp	Independente	11.62	0
Safra Play	Banco Safra	8.04	0
Fiserv	Independente	5.96	0
Adyen	Independente	3.15	0

Fonte: Resultados originais da pesquisa

O ordenamento reforça a existência de um subconjunto de adquirentes com escala muito superior, enquanto o restante opera em faixas menores de TPV. Essa diferença de escala, quando combinada com variáveis de mix e precificação, tende a produzir perfis agregados distintos na segmentação. A Tabela 2, a seguir, sintetiza as médias por cluster para métricas selecionadas, traduzindo o agrupamento em perfis interpretáveis e destacando como escala, capilaridade, mix de canais e indicadores econômicos se combinam em cada grupo.

A Tabela 2 sintetiza o perfil médio dos clusters, revelando que os grupos se diferenciam por uma combinação de fatores. O Cluster 1, por exemplo, concentra adquirentes de maior escala e capilaridade, evidenciadas por TPV e transações acumuladas mais elevadas, além de uma maior base de estabelecimentos ativos e infraestrutura de captura. Esse padrão é consistente com um posicionamento competitivo focado em escala e alcance de rede, dimensões centrais de desempenho em mercados de plataforma (Rochet e Tirole, 2003; Evans, 2003).

Tabela 2. Perfil médio dos clusters (métricas selecionadas)

Cluster	TPV médio (bi R$)	Transações Médio (Mi)	Estabelecimentos Ativos Médio	PÓS médio (mi)	Ticket Médio	Remoto médio (%)	Parcelado Médio (%)	MDR médio (%)	TIC médio (%)	Spread Médio (%)	UFs atuantes médio	HHI médio
0	11,86	121,3	224374	0,41	122,43	25,16	18,41	2,15	1,05	1,1	21,9	0,3134
1	96,74	745,64	667168	1,26	125,45	11,27	26,83	1,76	1,05	0,72	23,1	0,2079

Fonte: Resultados originais da pesquisa

A síntese mostra que o Cluster 0, por sua vez, tende a apresentar maior participação relativa do canal remoto e, em média, níveis de MDR e spread mais elevados. Esse perfil sugere uma orientação mais voltada a canais digitais, e-commerce e soluções remotas, com uma monetização relativa mais alta. Essa distinção reforça a premissa de que o mercado de adquirência não é homogêneo e que as estratégias de crescimento podem se estruturar por escolha de canal, oferta e segmentação de clientes, mesmo com menor escala absoluta.

A interpretação dos perfis identificados mostrou que o Cluster 1 concentrou adquirentes de maior escala e capilaridade, refletidas por TPV e transações acumuladas mais elevadas, além de uma maior base de estabelecimentos ativos e infraestrutura de captura. Esse padrão é consistente com um posicionamento competitivo onde escala e alcance de rede são dimensões centrais de desempenho, particularmente em ambientes que se assemelham a mercados de plataforma, conforme discutido por Rochet e Tirole (2003) e Evans (2003).

Em ecossistemas de pagamento, estratégias de crescimento frequentemente dependem de ganhos de escala e efeitos indiretos de rede, nos quais a ampliação de um lado do mercado influencia a atratividade do outro, afetando adoção e retenção. É plausível que agentes de maior porte exibam métricas econômicas compatíveis com a competição por volume, com maior sensibilidade a pressões de preço, o que pode se refletir em taxas médias mais competitivas e spreads mais comprimidos quando comparados a perfis especializados. A leitura do cluster de escala, portanto, descreve um conjunto de características estruturais que converge para uma lógica de operação orientada à capilaridade e ao processamento massivo.

O Cluster 0 apresentou uma combinação distinta, com participação média de canal remoto mais elevada, acompanhada por níveis médios superiores de MDR e spread, além de maior concentração geográfica. Esse conjunto sugere um perfil mais orientado a canais digitais, e-commerce e soluções remotas, com monetização relativa mais alta. A existência de um grupo com maior intensidade em remoto reforça a premissa de que o mercado de adquirência não é homogêneo e que estratégias de crescimento podem se estruturar por escolha de canal, oferta e segmentação de clientes.

A leitura multivariada é essencial nesse ponto, pois uma adquirente pode operar com menor escala absoluta, mas com mix e estrutura econômica que favoreçam maior receita percentual, destacando um posicionamento diferente daquele observado no cluster de escala. Essa interpretação se alinha ao entendimento de que, em plataformas, preços e estruturas de receita podem variar por canal e por segmento em função de diferentes sensibilidades e custos, o que gera equilíbrios estratégicos múltiplos dentro do mesmo mercado (Rochet e Tirole, 2003; Evans, 2003).

Do ponto de vista do objetivo do trabalho, esse resultado é especialmente relevante porque confirma que a segmentação não foi explicada apenas por porte, mas pela interação entre escala, mix e métricas econômicas, exatamente o tipo de diagnóstico que o estudo se propôs a produzir. A importância da clusterização para Data Science e Analytics se evidencia no próprio valor analítico dos resultados, pois em muitos problemas organizacionais, a ausência de rótulos prévios ou classes formais torna as técnicas não supervisionadas fundamentais para a descoberta de estrutura e a geração de tipologias úteis (MacQueen, 1967; Hastie et al., 2009).

Na perspectiva aplicada, a segmentação cria uma base objetiva para benchmarking por perfil, evitando comparações diretas entre adquirentes de estratégias estruturalmente diferentes. Ela apoia diagnósticos orientados à decisão, como a avaliação de trade-offs entre escala e monetização, a priorização de iniciativas em canal remoto e a análise da pressão competitiva sobre taxas. Ao reduzir um problema de alta dimensionalidade em poucos perfis interpretáveis, a clusterização aumenta a comunicabilidade executiva sem perder a rastreabilidade, um princípio valioso em análises orientadas a stakeholders não técnicos.

Em síntese, os resultados obtidos confirmam a existência de dois perfis estratégicos distintos no mercado de adquirência brasileiro, um focado em escala e capilaridade, e outro em canais remotos e monetização relativa. A aplicação da análise exploratória de dados e do algoritmo K-means, validada por critérios quantitativos e visuais, permitiu uma segmentação robusta e interpretável. Essa abordagem multivariada oferece uma base objetiva para o benchmarking e a leitura estratégica do posicionamento das adquirentes, contribuindo para diagnósticos mais coerentes com a heterogeneidade do setor e apoiando decisões orientadas por dados.

4. Conclusão

O presente estudo buscou segmentar adquirentes brasileiras a partir de indicadores trimestrais de porte, capilaridade, mix de canais e métricas econômicas, utilizando análise exploratória de dados e clusterização pelo algoritmo K-means. Verificou-se a formação de dois perfis estratégicos distintos no mercado. Um perfil concentrou adquirentes de maior escala e capilaridade, caracterizadas por volumetria superior e spreads médios mais comprimidos. O outro perfil apresentou maior participação do canal remoto e monetização relativa mais elevada, evidenciada por MDR e spreads médios superiores. Essa segmentação reduziu a complexidade multivariada do mercado em perfis interpretáveis, oferecendo uma base objetiva para o benchmarking e a leitura estratégica do posicionamento das adquirentes, com potencial de uso em análises de dados para tomada de decisão. A abordagem adotada contribuiu para diagnósticos mais coerentes com a heterogeneidade do setor, evitando comparações diretas entre empresas com estratégias estruturalmente diferentes.

Apesar dos avanços alcançados, o estudo possui limitações que devem ser consideradas. A amostra de adquirentes avaliadas foi limitada, o que pode restringir a generalização dos perfis para todo o ecossistema de pagamentos. Além disso, a sensibilidade do algoritmo K-means à padronização, à seleção de variáveis e à presença de outliers pode influenciar a formação dos clusters. A agregação temporal dos dados, embora facilite a comparação estrutural, pode ter suavizado variações estratégicas relevantes em momentos específicos. Por fim, a interpretação econômica dos perfis dependeu das variáveis disponíveis na base, não incorporando dimensões como qualidade de serviço, indicadores de risco ou custos operacionais internos, o que limitou o alcance explicativo das conclusões. Para estudos futuros, recomenda-se ampliar a base de dados em número de adquirentes e granularidade, testar algoritmos de clusterização alternativos e explorar abordagens longitudinais para capturar a dinâmica competitiva. Sugere-se também integrar variáveis adicionais de desempenho operacional e experiência do cliente, a fim de enriquecer a segmentação e fortalecer o diagnóstico estratégico.

Referências Bibliográficas

Evans, D. S. 2003. The antitrust economics of multi-sided platform markets. Yale Journal on Regulation, 20(2), 325–381. Disponível em: https://ssrn.com/abstract=332022. Acesso em: 16 fev. 2026.

Hastie, T., Tibshirani, R., & Friedman, J. 2009. The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). New York, NY, USA: Springer. Disponível em: https://hastie.su.domains/ElemStatLearn/. Acesso em: 16 fev. 2026.

Jolliffe, I. T. 2002. Principal componente analysis (2nd ed.). New York, NY, USA: Springer. https://doi.org/10.1007/b98835.

MacQueen, J. 1967. Some methods for classification and analysis of multivariate observations. In L. M. Le Cam & J. Neyman (Eds.), Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Volume 1: Statistics (pp. 281–297). Berkeley, CA, USA: University of California Press. Disponível em: https://projecteuclid.org/euclid.bsmsp/1200512992. Acesso em: 16 fev. 2026.

Rochet, J.-C., & Tirole, J. 2003. Platform competition in two-sided markets. Journal of the European Economic Association, 1(4), 990-1029. https://doi.org/10.1162/154247603322493212.

Rousseeuw, P. J. 1987. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65. https://doi.org/10.1016/0377-0427(87)90125-7.

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