Resumo Executivo

Dhemetrius Osmar Bianchini Junior; Miguel Ângelo Lellis Moreira

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

A utilização de dados estatísticos fundamenta o apoio a decisões estratégicas no marketing digital, especialmente diante da necessidade de precisão e da ampla disponibilidade de informações oriundas das plataformas digitais (Costa et al., 2015). A análise desses dados permite a identificação de padrões de comportamento de consumo e favorece a personalização de campanhas de maneira eficiente. Com o avanço das interações digitais, torna-se imprescindível a adoção de ferramentas analíticas e de visualização que possibilitem a leitura clara dessas informações, facilitando o direcionamento estratégico das ações (Longhi, 2016). Nesse contexto, o uso de estatísticas descritivas aplicadas em painéis de Business Intelligence surge como alternativa prática para transformar métricas básicas em percepções visuais úteis, otimizando a alocação de recursos e contribuindo para campanhas assertivas e segmentadas. O avanço do marketing digital, aliado ao crescimento exponencial do volume de dados gerados nas plataformas, impulsiona a busca por soluções analíticas acessíveis para aprimorar a eficiência das comunicações. A quantidade massiva de informações no ambiente digital torna indispensável o uso de técnicas estatísticas básicas para interpretar dados de forma prática e identificar padrões relevantes (Costa et al., 2015). A aplicação de estatísticas descritivas combinada com painéis de Business Intelligence apresenta-se como alternativa eficaz, permitindo a segmentação do público, a personalização de campanhas e a otimização de recursos sem a necessidade imediata de modelos estatísticos avançados. A transformação digital possibilita que se aprimore a interação com os consumidores com base em dados obtidos por diversas plataformas. Esse avanço é impulsionado pelo crescimento das ferramentas de análise de dados, que facilitam a identificação de padrões comportamentais e tendências de consumo. Diante do aumento das interações online, torna-se essencial adotar abordagens orientadas por dados para compreender o perfil dos clientes e otimizar as ações de marketing (Rosa, Casagranda e Spinelli, 2017). O uso de estatísticas descritivas aliado a recursos visuais, como painéis de controle, contribui para a personalização das campanhas e proporciona maior assertividade nas decisões estratégicas frente a consumidores exigentes. A aplicação de métricas descritivas demonstra eficácia para compreender padrões de comportamento e apoiar decisões. A análise univariada possibilita avaliar individualmente variáveis-chave, como nível educacional e estado civil, enquanto a bivariada permite explorar relações entre essas variáveis e os canais de compra preferidos. O uso dessas técnicas facilita a segmentação do público-alvo, contribuindo para campanhas eficientes e redução de desperdícios, especialmente quando integradas a painéis de visualização (Rosa, Casagranda e Spinelli, 2017). A capacidade de interpretar padrões e compreender mudanças no comportamento do consumidor é um dos principais benefícios do uso de estatísticas descritivas. Ao incorporar análises baseadas em dados, consegue-se antecipar tendências e ajustar estratégias com agilidade (Longhi, 2016). Essa prática é útil para empresas de comércio eletrônico e varejistas que operam em múltiplos canais. O uso combinado de estatísticas simples e painéis gráficos favorece campanhas personalizadas e proporciona uma experiência de compra satisfatória. O avanço da análise de dados amplia a capacidade de personalizar a comunicação com base em informações detalhadas. Por meio de técnicas estatísticas descritivas e da visualização em painéis, torna-se possível segmentar consumidores por perfil sociodemográfico e comportamento de compra. Métodos analíticos permitem identificar padrões com precisão, contribuindo para o aprimoramento das campanhas (Longhi, 2016). Essa combinação entre estatística e inteligência de mercado fortalece a fidelização e eleva o potencial de conversão. O objetivo reside em explorar como métricas descritivas univariadas e bivariadas, integradas a painéis de Business Intelligence, simplificam a interpretação de dados e aprimoram estratégias de marketing digital, focando no perfil sociodemográfico e em variáveis como nível educacional e estado civil para otimizar o engajamento.

A metodologia fundamenta-se na utilização de um conjunto de dados disponível na plataforma Kaggle, processado por meio de scripts de análise desenvolvidos na linguagem de programação Python, com o auxílio da biblioteca Pandas. A função primordial desses scripts consiste na importação dos dados no formato de valores separados por vírgulas, onde se realiza o tratamento e a limpeza necessários para que os resultados sejam armazenados em estruturas otimizadas para visualização no software Power BI. A pesquisa possui caráter descritivo e busca estudar o comportamento dos consumidores em campanhas de marketing digital, considerando variáveis como nível de escolaridade, estado civil e preferência de compra entre lojas físicas e online. Os dados selecionados possuem natureza quantitativa e são extraídos da base original sem alterações de conteúdo, passando por etapas rigorosas de pré-processamento e organização. Após a limpeza, aplicam-se métodos estatísticos descritivos para a interpretação e identificação de padrões de consumo, visando a construção de percepções que apoiem estratégias personalizadas e direcionadas ao perfil de cada grupo. A base de dados contém variáveis sobre o perfil sociodemográfico e comportamentos de compra. A análise univariada aplica estatísticas como média, moda e percentis para examinar individualmente variáveis como nível de escolaridade e estado civil. Posteriormente, a análise bivariada investiga a relação dessas variáveis com os canais de compra, permitindo identificar padrões relevantes. O processo de criação dos painéis no Power BI foca na narrativa visual com dados, facilitando a visualização de informações estratégicas. Na etapa de tratamento, utiliza-se o ambiente Python para a organização em estruturas de dados denominadas dataframes. Esta fase inicial de limpeza e padronização é fundamental para garantir a consistência e a integridade das informações utilizadas nas análises subsequentes, uma vez que a estruturação adequada dos dados é vital para gerar resultados confiáveis (Longhi, 2016). A base totaliza 2.240 registros únicos de consumidores no que se refere ao nível de escolaridade e 2.233 registros para o estado civil, permitindo uma análise robusta sobre padrões de consumo em diferentes segmentos. As variáveis selecionadas incluem o nível de escolaridade, que reflete o acesso à compra, o estado civil, que permite segmentar o poder de consumo, e os indicadores de compras em lojas online e físicas. Dados operacionais sem valor estratégico, como identificação de usuários, datas de cadastro ou informações sobre filhos em casa, são descartados para manter o foco nos objetivos sociodemográficos. A análise de dados individuais utiliza técnicas fundamentais orientadas por normas estatísticas (McKinney, 2023; Fávero e Belfiore, 2023). A média aritmética é calculada pela soma total dos valores dividida pelo número de observações, sendo essencial para determinar a tendência central de variáveis categóricas transformadas em frequências absolutas. A moda aponta a categoria mais recorrente, facilitando o direcionamento de estratégias para o maior grupo de interesse. O cálculo dos percentis contribui para entender a distribuição dos dados de forma granular, identificando como os consumidores se distribuem ao longo da amostra e detectando concentrações de comportamento. A posição do i-ésimo percentil é determinada por uma fórmula de ajuste que assegura a precisão dos pontos de corte na distribuição. As equações são convertidas em código Python para processar as variáveis de escolaridade e estado civil. A análise relacional busca segmentar essas variáveis em relação ao comportamento de compra, utilizando fluxogramas para estruturar o raciocínio analítico. O painel de visualização é desenvolvido sob os princípios da narrativa com dados, utilizando uma estrutura temática e progressiva distribuída em cinco páginas independentes: perfil educacional, padrão de consumo por escolaridade, perfil por estado civil, padrão de consumo por estado civil e aplicação prática em marketing (Knaflic, 2017). Elementos visuais como gráficos de rosca para leitura percentual, gráficos de barras e mapas de árvore para volumes absolutos são empregados para promover clareza e rapidez na extração de percepções.

Os resultados empíricos revelam a caracterização detalhada do perfil dos consumidores e seus padrões de consumo. Na análise do perfil educacional, observa-se que a base de dados é composta por 1127 indivíduos com graduação, 486 com doutorado, 370 com mestrado, 203 com ensino médio e 54 com ensino fundamental. A moda para a variável educacional aponta para o domínio da graduação, representando 50,3 % dos registros, o que evidencia um perfil educacional elevado na amostra analisada. Ao agrupar os dados, constata-se que 88,53 % dos consumidores possuem educação superior (graduação, mestrado ou doutorado), enquanto apenas 11,47 % pertencem ao grupo de educação padrão, que engloba ensino médio e fundamental. A compreensão dessa distribuição oferece um panorama inicial onde o predomínio de níveis elevados de instrução sugere um público com maior potencial de renda e familiaridade com tecnologias digitais. No que tange ao estado civil, a análise de 2.233 registros mostra que 864 consumidores são casados oficialmente, 580 vivem em união não oficial, 480 são solteiros, 232 são divorciados e 77 são viúvos. A moda indica a predominância do grupo de casados oficiais, que representa 38,69 % da amostra. Somando-se os casados oficiais e não oficiais, o grupo de casais atinge a maioria absoluta, o que indica que as estratégias de marketing devem considerar o planejamento de consumo familiar e compras voltadas para o lar. A análise relacional bivariada amplia a capacidade de segmentação ao revelar associações entre o perfil civil e os canais de compra. Verifica-se que os casais concentram 64,75 % das compras em lojas físicas e 64,62 % das compras em lojas online. Em termos de volume absoluto, os casais realizaram 8.382 compras em lojas físicas e 5.899 compras online, enquanto os solteiros foram responsáveis por 4.563 compras físicas e 3.230 compras online. Esses dados indicam que consumidores casados apresentam um volume de consumo significativamente superior, independentemente do canal utilizado, o que pode estar relacionado à maior estabilidade financeira e à necessidade de suprir demandas de múltiplos indivíduos em uma residência. Quanto ao nível de escolaridade, consumidores com educação superior realizaram 11.698 compras em lojas físicas e 8.291 em lojas online, ao passo que consumidores com educação padrão realizaram 1.272 compras físicas e 859 online. Tais achados reforçam que indivíduos com maior escolaridade tendem a apresentar um comportamento de compra mais intenso, priorizando a conveniência e a variedade oferecida pelo ambiente digital (Longhi, 2016). A discussão desses dados à luz da literatura recente valida os achados. O estado civil exerce influência sobre a suscetibilidade dos indivíduos a estratégias de persuasão, sendo que consumidores casados apresentam maior sensibilidade a princípios de consistência e prova social (Spasova, 2024). Isso justifica o maior volume de compras observado, pois campanhas que enfatizam a segurança e o bem-estar familiar tendem a ressoar com este público. No que se refere ao nível educacional, a maior propensão ao consumo em ambientes digitais por indivíduos instruídos é confirmada por estudos que apontam a escolaridade como fator determinante na confiança e praticidade percebidas no comércio eletrônico (Mehrotra et al., 2019; Fernandes e Espanhol, 2021). A integração das estatísticas descritivas no painel de Business Intelligence permitiu transformar dados complexos em percepções acionáveis. A visualização facilitou a identificação de que o público de educação superior domina as compras em todos os canais, sugerindo que o marketing digital deve investir em experiências de usuário aprimoradas e conteúdos educativos. Para o grupo de educação padrão, estratégias de promoções e incentivos para lojas físicas mostram-se mais adequadas. Para os casais, estratégias baseadas em compras duplas, pacotes de assinatura e fidelização com benefícios exclusivos para a família são recomendadas. Já para os solteiros, o foco deve recair em impulsos de consumo individual, gamificação e ofertas relâmpago. A limitação do estudo reside no uso de uma base secundária estática, que não captura variações sazonais ou mudanças repentinas de comportamento. Pesquisas futuras devem incluir coletas dinâmicas e o uso de modelos de aprendizado de máquina para análises preditivas em datas comemorativas, visando otimizar a personalização.

Conclui-se que o objetivo foi atingido, uma vez que a estruturação do painel de Business Intelligence permitiu identificar com clareza que consumidores com ensino superior e indivíduos casados representam os segmentos de maior volume de consumo tanto em canais físicos quanto digitais. A aplicação de estatísticas descritivas univariadas e bivariadas mostrou-se eficaz para transformar dados brutos em direcionamentos estratégicos, evidenciando que a segmentação sociodemográfica baseada em escolaridade e estado civil é fundamental para a personalização de campanhas de marketing digital. O estudo demonstrou que a integração entre análise de dados e recursos visuais otimiza a tomada de decisão, proporcionando uma compreensão profunda do comportamento do consumidor sem a necessidade imediata de técnicas complexas, embora a evolução para modelos preditivos e coletas dinâmicas seja recomendada para acompanhar a volatilidade do mercado.

Referências Bibliográficas:

Costa, Lucas Mendes da et al. (2015). A evolução do marketing digital: uma estratégia de mercado. XXXV Encontro Nacional de Engenharia de Produção.
Fernandes, Aline Cristina & Espanhol, Alcemar. (2021). Comportamento do consumidor online: análise de fatores que influenciam o processo de compra. Instituto Federal do Espírito Santo.
Knaflic, Cole Nussbaumer. (2016). Storytelling com dados: um guia sobre visualização de dados para profissionais de negócios. Alta Books.
Longhi, Camila. (2016). Análise de dados para apoio à tomada de decisão com ênfase no marketing digital. Trabalho de Conclusão de Curso – Universidade de Caxias do Sul.
Mckinney, Wes. (2023). Python para análise de dados: tratamento de dados com Pandas, NumPy & Jupyter. Novatec.
Mehrotra, R. et al. (2019). The impact of demographic factors on online shopping behaviour: a study of Gulf region consumers. International Journal of Customer Relationship Marketing and Management.
Rosa, Renato de Oliveira; Casagranda, Yasmin Gomes; Spinelli, Fernando Elias. (2017). A importância do marketing digital utilizando a influência do comportamento do consumidor. Revista de Tecnologia Aplicada (RTA).
Spasova, N. (2024). Consumer’s susceptibility to persuasion techniques based on socio-demographic characteristics. Journal of Marketing Development and Competitiveness.

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

_{Saiba mais sobre o curso; clique aqui:}