análise do contraste da penalidade e da recompensa – prca com
Transcrição
análise do contraste da penalidade e da recompensa – prca com
ANAIS ANÁLISE DO CONTRASTE DA PENALIDADE E DA RECOMPENSA – PRCA COM RECODIFICAÇÃO VARIÁVEL COMO ALTERNATIVA A RECODIFICAÇÃO BINÁRIA JAIME DAGOSTIM PICOLO ( [email protected] ) FURB - Fundação Universidade Regional de Blumenau GÉRSON TONTINI ( [email protected] ) FURB - Fundação Universidade Regional de Blumenau GRAZIELA DELFINO RODRIGUES ( [email protected] , [email protected] ) UNESC - ESCOLA DE NEGÓCIOS RESUMO O objetivo deste artigo é apresentar a recodificação variável como alternativa à recodificação binária, na metodologia de Análise do Contraste da Penalidade e da Recompensa (PRCA), que identifica a relação não-linear entre o desempenho de características de produtos e serviços com a satisfação geral dos clientes. Para demonstrar a PRCA variável, utilizamos um estudo de caso com 195 clientes de farmácias, avaliando 24 atributos de 7 dimensões. A PRCA com recodificação variável apresenta a vantagem de eliminar a necessidade de arbitragem na definição da recodificação binária entre a penalidade e recompensa e apresenta valores mais precisos para realização de recomendações gerenciais. PALAVRAS CHAVE: PRCA. Análise do contraste da penalidade e da recompensa. Melhoria de serviços. Análise de oportunidades de melhorias 1 INTRODUÇÃO Em ambientes competitivos a satisfação dos clientes contribui para o sucesso organizacional, e a satisfação dos clientes é reconhecida como um antecedente do comportamento de lealdade e de recompra (YI; LA, 2004), que, por sua vez, influencia positivamente a rentabilidade (MITTAL; KAMAKURA, 2001). Assim, entender modelos que explicam como a satisfação com diferentes aspectos do serviço contribui para a satisfação geral, pode permitir recomendações gerenciais de maior qualidade e assertividade. Métodos diversos têm sido utilizados para direcionar esforços de melhoria em produtos e serviços. Um deles é a Análise de Importância x Desempenho (AZZOPARDI; NASH, 2013), ou IPA, originalmente proposto por Martilla e James (1977). Em função do desempenho e importância dos atributos a IPA identifica pontos fortes maiores e menores, com recomendação de continuidade do bom desempenho ou desinvestimento, respectivamente. Ainda, identifica pontos fracos maiores, com prioridade de melhoria, e pontos fracos menores, com melhoria recomendada em segundo plano. O desempenho dos atributos pode ser mensurado pela avaliação da satisfação dos clientes com os atributos e a importância dos atributos pode ser obtida pela declaração dos clientes, como por exemplo, em uma escala de Likert do grau de importância (GARVER, 2003). Entretanto, existem limitações na mensuração da importância declarada. Uma das limitações desse método é que normalmente, os consumidores têm baixo poder distintivo para avaliação da importância, atribuindo a quase todos os atributos como “importantes”. Ainda, 1/16 ANAIS existe possível alteração da importância nas diversas fases de consumo, em função da satisfação atual com o atributo, ou ainda, problemas na interpretação do cliente quanto ao significado da importância de atributos. Consequentemente, o valor da importância declarada traz dúvidas quanto a sua validade, uma vez que não está claro como os consumidores realmente interpretam e atribuem esses valores de importância (FUCHS; WEIERMAIR, 2004; GARVER, 2003; MATZLER; SAURWEIN, 2002). Uma outra forma de obter a importância é derivar estatisticamente por meio de ajuste de regressão linear. Neste caso, a importância dos atributos é calculada pela magnitude dos coeficientes de regressão (GARVER, 2003; FUCHS; WEIERMAIR, 2004). A importância derivada estatisticamente tem maior poder discriminatório em relação a importância declarada (MATZLER; SAURWEIN, 2002). Porém, ela ainda apresenta limitações, visto que pressupõe linearidade entre o desempenho dos atributos e a satisfação geral. Entretanto, existem evidências de que esta relação é não-linear (BRANDT, 1987). A análise do contraste da penalidade e da recompensa (PRCA) considera a possibilidade de que a relação entre a satisfação com cada atributo e a satisfação geral com o produto ou serviço não seja linear (BRANDT, 1987; ALBAYRAK, CABER, 2013a). A PRCA, apresentada inicialmente por Brandt (1987), identifica o contraste entre a influência do desempenho baixo (penalidade) e alto (recompensa) do atributo na satisfação geral, por meio da recodificação do respectivo atributo com variáveis dummy. Porém, atualmente não existe consenso na literatura sobre procedimentos de PRCA, o que pode implicar em divergências nas recomendações gerenciais. Albayrak e Caber (2013a), em uma revisão da aplicação da PRCA na literatura, identificaram que modelagens da PRCA são usadas por meio de avaliações diretas em atributos ou por meio de análise fatorial. Por sua vez, não existe consenso na forma de avaliações e codificações dos atributos em alto e baixo desempenho. Existe predominância de estudos de PRCA com uso de recodificações variáveis dummy binárias (Figura 1) e Albayrak e Caber (2013a) fizerem um comparativo de PRCA com diferentes métodos de recodificação binária o que gera parte das divergências da codificação da PRCA constatando divergências nas recomendações gerenciais. Entretanto, Picolo e Tontini (2008) apresentaram em suas pesquisas a possibilidade da recodificação de forma variável, mas carece de uma proposta para modelos de análise fatorial. Em função das considerações expostas, pode-se levantar as seguintes perguntas de pesquisa: Existem diferenças nas recomendações gerenciais na PRCA realizada usando recodificação binária ou variável? Assim, o objetivo deste artigo é apresentar recodificação variável como alternativa à recodificação binária, na metodologia de Análise do Contraste da Penalidade e da Recompensa (PRCA), que identifica a relação não-linear entre o desempenho de características de produtos e serviços com a satisfação geral dos clientes. Espera-se que, com recodificação variável, a PRCA qualifique as recomendações gerenciais, uma vez que esta reduz arbitragens nos procedimentos de recodificação da penalidade e da recompensa. O artigo está estruturado da seguinte forma: a seção 2 apresenta a fundamentação teórica. A seção 3 apresenta a metodologia da pesquisa, a seção 4 a análise e discussão dos dados e a seção 5 as considerações finais. 2/16 ANAIS 2 FUNDAMENTAÇÃO TEÓRICA O pressuposto básico para o retorno em investimentos em função do aumento da satisfação dos clientes é a sua provável influência na intenção de recompra, com consequente influência no resultado operacional (ANDERSON; MITTAL, 2000; HENNING-THURAU; KLEE, 1997). Estudos diversos mostram que a satisfação dos clientes é uma função do desempenho de diversos atributos do produto ou serviço. Dessa forma, busca-se monitorar seu desempenho para que estes atendam as expectativas dos consumidores (FUCHS; WEIERMAIR, 2004; GARVER, 2003; MATZLER; SAURWEIN, 2002; MITTAL; ROSS; BALDASARE, 1988). Com base em modelos multiatributo de tomada de decisão e escolha do consumidor, presume-se que cada atributo tem importância diferenciada na tomada de decisão, sendo que essa importância pode ser declarada pelos clientes (MARTILLA; JAMES, 1977) ou derivada por meio de cálculos estatísticos (GARVER, 2003; MATZLER; SAUREWEIN, 2002; FUCHS; WEIERMAIR, 2004). Um meio para identificação da importância derivada estatisticamente pode ser a utilização de coeficientes de equações de regressão linear, assumindo o desempenho dos atributos como variáveis independentes e a satisfação com o desempenho geral como variável dependente (Equação 1) Y = β0 + β1X1 + ... + βnXn. (EQ. 01) Neste caso, a variável dependente (Y) é a satisfação do cliente com o desempenho geral do produto ou serviço em estudo. E as variáveis independentes "X1" a "Xn" representam o nível de satisfação dos clientes com cada atributo, onde o coeficiente "βn" é a importância calculada estatisticamente para o atributo “n”. Quanto maior é a magnitude do βn, mais importante é o atributo Xn, porque este tem impacto maior sobre a satisfação geral (GARVER, 2003; MATZLER; SAUREWEIN, 2002; FUCHS; WEIERMAIR, 2004). Neste modelo, para cada unidade de alteração da variável independente X (satisfação com o atributo), a variável dependente Y (satisfação geral) se altera de forma linear. Nessa visão, não necessariamente todos os atributos influenciam na satisfação geral, mas em uma perspectiva de linearidade entre o desempenho do atributo e a satisfação dos clientes se presume que, quanto melhor o desempenho de um atributo relevante, maior a influência na satisfação do consumidor. Entretanto, além de classificar os atributos com o comportamento linear como fatores de desempenho ou unidimensionais, Kano et al (1984,) propõem mais duas classes de fatores, fundamentando a teoria dos três fatores. Conforme descrito por Matzler e Sauerwein (2002), além dos fatores de desempenho, ou unidimensionais, que influenciam proporcionalmente a satisfação dos clientes com alto e baixo desempenho, existem os fatores básicos, ou obrigatórios, e os fatores excitantes, ou atrativos. Os fatores básicos são requisitos mínimos, que causam insatisfação se apresentarem baixo desempenho, mas não influenciam a satisfação dos clientes em tendo alto desempenho, porque não agregam valor perceptível aos clientes. E os fatores de excitação, ou atrativos, aumentam a satisfação do cliente se apresentarem alto desempenho, mas não geram insatisfação se apresentarem baixo desempenho. Um método utilizado para classificação dos atributos de acordo com a teoria dos três fatores é a análise do contraste da penalidade e da recompensa (PRCA), proposta por Brandt (1987). Esta análise dá ênfase à classificação dos atributos em função da sua influência no 3/16 ANAIS nível da satisfação geral com o produto ou serviço. Além de centrar no pressuposto de maximização da satisfação do cliente, a PRCA leva em consideração a presença da não linearidade da influência do desempenho dos atributos na satisfação geral, podendo dessa forma gerar recomendações gerenciais mais assertivas. A PRCA subtende o modelo matemático conforme a equação 02. Neste caso, a satisfação dos clientes com atributos individuais é recodificada usando duas variáveis dummy, denominadas variáveis de penalidade e recompensa. Quando o desempenho do atributo for alto, a dummy de recompensa (X1rec) assume valor 1, e a dummy de penalidade (X1pen) é igual a zero. Se o desempenho com o atributo é baixo, X1pen é 1 e X1rec é zero. Quando o desempenho do atributo tem valor intermediário, X1pen e X1rec são iguais a zero. Assim, dois coeficientes de regressão são calculados para cada atributo. Sat Geral = β0 + β1pX1rec + β1nX1pen+ ...+ βnpXnrec + βnnXnpen (EQ. 02) A interpretação dos resultados da PRCA decorre da relação entre os coeficientes de penalidade e recompensa de cada atributo. Caso o coeficiente de penalidade supere o coeficiente de recompensa, o prestador de serviços recebe deméritos caso o desempenho do atributo seja baixo, sem necessariamente receber méritos se o desempenho do atributo for alto. Isto sugere que o atributo em questão pode ser classificado como básico ou obrigatório. Por outro lado, se o coeficiente de recompensa exceder o coeficiente de penalidade, o prestador de serviços recebe bônus pelo desempenho do respectivo atributo ser alto, sendo classificado como atributo excitante ou atrativo. Neste caso, surge que o atributo em questão possa agregar valor à experiência do cliente com o serviço (BRANDT, 1987). 2.1 Codificação do desempenho dos atributos Baseado na revisão de literatura de Albayrac e Caber (2013a), que identificaram modos diferentes de codificação para a PRCA, podemos dizer que existem quatro grandes aspectos considerados na forma de efetuar o processo de análise (Fig. 01): Fatores em análise, forma de mensuração, determinação da penalidade e recompensa, recodificação das variáveis. O primeiro aspecto de decisão na PRC denominado de "fatores de análise" é quanto ao nível de classificação das variáveis independentes para o cálculo dos coeficientes de penalidade e recompensa. Pode ser assumido que as variáveis independentes é o desempenho de cada atributo individualmente, ou a nível de grupos de atributos (dimensões), obtidos por meio de análise fatorial. A análise fatorial gera fator latente correlacionado com as variáveis originais (HAIR et al., 2010; MAROCO, 2014). No caso da PRCA, julga-se que os atributos de determinada dimensão, estando correlacionados, têm a mesma classificação. Porém a utilização da análise fatorial dificulta a identificação da influência de cada atributo individualmente na satisfação geral, uma vez que estão agrupados em dimensões. Entretanto, este agrupamento reduz o problema de multicolinearidade entre as variáveis, que é um dos pressupostos de validação dos modelos de regressão (ALBAYRAK; CABER, 2013a; HAIR et al, 2010; MIKULIĆ, PREBEŽAC, 2011). Quanto ao segundo aspecto definido como forma de "mensuração" não existe convergência nos diversos estudos realizados (ALBAYRAC; CABER, 2013a). Vários autores utilizam a classificação direta mensurando o desempenho com diferentes níveis na escala (Fig. 1), podendo ser 5 pontos na escala, 7 pontos e 10 pontos. Outros autores utilizaram 11 4/16 ANAIS pontos (PICOLO; TONTINI, 2008), ou ainda 100 pontos (CHEUNG; LEE, 2009). Pode não existir número ideal de níveis na escala utilizada. Entretanto, segundo Malhotra (2006), números menores que cinco não gera informação suficiente, e acima de nove os entrevistados podem ficar confusos. Figura 1 - Modos diferentes de codificação para níveis baixos e altos de desempenho Dimensões análise fatorial Fatores em análise Atributo individual Modos de codificação e análise Mensuração Determinação da Penalidade & Recompensa Albayrak e Caber (2013b); Caber , Albayrak e Loiacono (2013); Cheung e Lee (2005); Füller e Matzler (2008); Füller, Matzler e Faullant (2006); Matzler, Fuchs e Schubert (2004); Matzler e Renzl (2007); Matzler, Renzl e Rothenberger (2006); Padula e Busacca (2005). Albayrak e Caber (2015); Alegre e Garau (2011); Arbore e Busacca (2009); Arbore e Busacca (2011); Back (2012); Back e Lee (2015); Brandt (1987); Cheung e Lee (2009); Coghlan (2012); Lin et al. (2010); Mikulić e Prebežac (2008); Mikulić e Prebežac (2011); Mikulić e Prebežac (2012); Picolo e Tontini (2008) Escala de 10 pontos Arbore e Busacca (2009); Arbore e Busacca (2011); Fuller, Matzler e Faullant (2006) Escala de 7 pontos Mikulić e Prebežac (2012); Cheung e Lee (2005); Padula e Busaca (2005) Escala de 5 pontos Albayrac e Caber (2015); Brandt (1987); Back e Lee (2015); Mikulić e Prebežac (2008); Lin et al (2010); Back (2012), Mikulić e Prebežac (2011); Alegre e Garau (2011); Coghlan (2012); Matzler, Renzl e Rothenberger, (2006); Matzler, Renzl e Rothenberger (2007); Fuller e Matzler (2008); Caber, Albayrak e Loiacono (2013); Albayrack e Caber (2013b) Tercil Matzler e Renzl (2007); Matzler et al (2006); Fuller e Matzler (2008); Padula e Busacca (2005) Quartil Fuller et al (2006), Caber et al (2013), Albayrack e Caber (2013b) Decil Diferença da média Binária Recodificação Escalar (diferença média) Matzler et al (2004) Cheung e Lee (2005); Picolo e Tontini (2008) Albayrak e Caber (2015); Alegre e Garau (2011); Arbore e Busacca (2009); Arbore e Busacca (2011); Back (2012); Back e Lee (2015); Brandt (1987); Coghlan (2012); Lin et al. (2010); Mikulić e Prebežac (2008); Mikulić e Prebežac (2011); Mikulić e Prebežac (2012); Albayrak e Caber (2013b); Caber, Albayrak e Loiacono (2013); Cheung e Lee (2005); Füller e Matzler (2008); Füller, Matzler e Faullant (2006); Matzler, Fuchs e Schubert (2004); Matzler e Renzl (2007); Matzler, Renzl e Rothenberger (2006); Padula e Busacca (2005) Picolo e Tontini, (2008) 5/16 ANAIS Alguns estudos evidenciam cada ponto da escala a um rótulo correspondente (BRANDT, 1987; COGHLAN, 2012). Outros autores não relacionam diretamente o rótulo ao número, evidenciando apenas rótulos nas extremidades opostas (BACK, 2012; ARBORE; BUSACCA, 2011). O rótulo, ou descrição verbal, para cada ponto da escala, pode reduzir a ambiguidade entre os respondentes pelo fato de ter sido dado um significado ao nível de avaliação. O terceiro aspecto (Fig. 1) refere-se a "determinação da penalidade e recompensa", onde estudos diversos divergem na definição do limiar de alto ou baixo desempenho. Se as variáveis independentes são definidas pela classificação direta, alguns estudos tomam como penalidade ou recompensa os valores da extremidade da escala, podendo variar em um ou dois pontos (ALBAYRAK; CABER, 2013a). Quando as variáveis independentes são obtidas por meio da análise fatorial, o valor de cada fator pode ser recodificado em recompensa ou penalidade com pontuação de fator no quartil (25% dos clientes com a mais alta satisfação), tercil (33%) ou decil (10%) sendo utilizados para formar uma variável dummy representando a recompensa, enquanto que valores de fator no quartil (25% dos clientes com a mais baixa satisfação), tercil (33%) ou decil (10%) superior são utilizados para formar a variável dummy penalidade. E Picolo e Tontini (2008) utilizam o desempenho médio do atributo como referência para a recodificação da penalidade e recompensa. E por fim, o quarto aspecto (Fig. 1), definido como processo de "recodificação", variável dummy de recompensa e penalidade, podem assumir valor binário 0 ou 1. Entretanto, Picolo e Tontini (2008), por utilizaram o desempenho médio como referência, o valor de recompensa ou penalidade é a diferença do valor avaliado de cada respondente em relação ao desempenho médio do atributo entre todos os respondentes. 2.2 Análise de regressão e classificação dos atributos Albayrac e Caber (2013a), e Mikulić; Prebežac (2011, 2012), recomendam utilizar na análise os coeficientes da regressão linear não padronizados, visto que pode haver risco de implicações enganosas na construção de teorias, ou em orientações para ação gerencial usando os coeficientes padronizados. Isso porque existem evidências de distorções nas informações contidas entre coeficientes padronizados e não padronizados, caso as variáveis binárias não tenham distribuições iguais (FOX, 2008). Uma outra implicação a ser observada é a significância da magnitude dos coeficientes de penalidade e recompensa. Autores como Fuchs e Weiermair (2004), e Lin et al (2010), observam apenas a significância dos atributos, sem considerar a magnitude (ALBAYRAK; CABER, 2013a). Outro grupo de autores observam a magnitude dos coeficientes para a classificação, caso estes sejam significativos (ARBORE; BUSACCA, 2009; ARBORE; BUSACCA, 2011; PADULA; BUSACA, 2005; FULLER; MATZLER, FAULLANT, 2006; MATZLER; RENZL, ROTHENBERGER, 2006). E por fim, Cheung e Lee (2009), Alegre e Garau (2011), e Albayrac e Caber (2013b), utilizam o teste Wald para verificar a igualdade entre os coeficientes. Matzler e Renzl (2007) propõem a “razão” entre o coeficiente de recompensa e o coeficiente de penalidade, denominada IR (equação 3). Se a razão for menor que um, o atributo é classificado como básico. Se for maior que 1, é classificado como atrativo, e quando próximo a 1, é considerado unidimensional. Mas existe discussão quanto próximo a 1 6/16 ANAIS o atributo deve ser para ser considerado unidimensional. Matzler e Renzl (2007) utiliza de 0,8 a 1,2. Já Fuller e Matzler (2008) identificam que atributo é classificado como unidimensional entre 0,9 a 1,1 (ALBAYRAK; CABER, 2013a). Entretanto, o ponto de corte é arbitrário, não tendo base teórica (ALBAYRAK; CABER, 2013b; FULLER; MATZLER, 2008). IR = ( REC ) /( PEN ) (EQ 3) Segundo Albayrak e Caber, 2013a, como o IR pode variar de –infinito a + infinito, Mikulić e Prebežac (2008) propõem o IA – Índice de Assimetria que varia de -1 a +1 (equação 4) IA = ( REC − PEN ) /( PEN + REC ) (EQ 4) Para o cálculo do IA, Mikulić e Prebežac (2008) não observa a significância do atributo. A lógica é a mesma do cálculo do IR para a classificação do atributo. Para atributos unidimensionais, Albayrack e Caber (2015), Caber, Albayrak e Loiacono (2013), Coghlan (2012), e Mikulić e Prebežac (2008), consideram IA entre -0,1 a +0,1. Já Back (2012), Back e Lee (2015), Mikulić e Prebežac (2011), Mikulić e Prebežac (2012), usam intervalo de -0,2 a +0,2) 3 METODOLOGIA DA PESQUISA Com o objetivo de apresentar recodificação variável como alternativa à recodificação binária, na metodologia de Análise do Contraste da Penalidade e da Recompensa (PRCA), que identifica a relação não-linear entre o desempenho de características de produtos e serviços com a satisfação geral dos clientes, o presente trabalho avalia o nível de satisfação dos clientes de uma farmácia, localizada em Criciúma, SC, Brasil. Os dados da pesquisa foram obtidos por meio de um questionário aplicado aos clientes de farmácias, no momento da compra, durante o mês de março de 2015, totalizando 195 entrevistas. Para verificar a possível relação não linear dos atributos com o nível de satisfação geral com a farmácia, elaborou-se um instrumento de coleta de dados em três partes. A primeira parte identifica o perfil do entrevistado. A segunda parte mensura o nível de satisfação atual com atributos da farmácia e a terceira parte mensura o nível de satisfação com o desempenho geral. As escalas de Likert para avaliação do nível de satisfação com os atributos investigados são de sete pontos, sendo compostos por rótulos que variam de "1 extremamente insatisfeito", "2 - muito insatisfeito", "3 - um pouco insatisfeito", "4 satisfeito", "5 - um pouco mais que satisfeito", "6 - muito satisfeito" e "7 - extremamente satisfeito". A escolha do nível "4 - satisfeito" no centro da escala têm como objetivo gerar assimetrias das avaliações à esquerda ou direita, caso o cliente esteja insatisfeito ou mais que satisfeito, respectivamente. Nas extremidades foram utilizados adjetivos fortes, denominados de "extremamente insatisfeito" e "extremamente satisfeito", para que as respostas tenham maior frequência no centro da escala, e que caso tenham avaliações na extremidade, haja maior confiabilidade na informação do mau ou bom desempenho extremo. 7/16 ANAIS Quadro 1– Análise fatorial e desempenho da farmácia Número Dimensão Descrição Dimensão CÓD 2 3 V02 V03 Tamanho da farmácia 4,354 0,721 0,665 V04 Limpeza do ambiente 4,682 0,775 0,791 V05 Iluminação 4,595 0,686 0,798 V06 Largura dos corredores 4,323 0,823 0,827 V07 Climatização 4,523 0,678 0,835 Identificação de preços Alocação de avisos/informativos Divulgação de programas de desconto/fidelidade Áreas de espera 3,830 0,624 0,758 3,723 0,781 0,612 3,651 0,785 0,801 4,190 0,758 0,775 V12 Categorização de produtos Variáveis de Localização de layout V13 departamentos V14 Mobiliário Uniformização dos V15 funcionários Privacidade no ato da V16 Variáveis compra humanas Aparência dos V17 funcionários V18 Aglomeração de pessoas Simpatia/Apatia dos V19 funcionários Variáveis de Disposição dos atendimento V20 funcionários V21 Tempo de atendimento 4,221 0,811 0,669 4,138 0,783 0,681 4,287 0,511 0,770 4,297 0,709 0,823 4,231 0,697 0,786 4,595 0,712 0,782 4,154 0,567 0,825 4,882 0,503 0,623 4,703 0,559 0,672 4,708 0,721 0,733 V22 Preço relativo a qualidade Variáveis de Preço relativo a V23 preço concorrência V24 Satisfação com o preço 4,179 0,859 0,670 4,303 0,861 0,644 4,051 0,728 0,760 4,231 0,859 0,681 4,364 0,782 0,745 5,769 0,768 0,750 4,456 0,726 0,773 Variáveis externas Variáveis internas V08 Variáveis de V09 ponto de venda V10 V11 4 5 6 7 SI - Descrição Capacidade de estacionamento Vitrines V01 1 Alpha de Nível Alpha de Pesos Cronbach VIF dos satisfação Cronbach fator. das grupos médio se excluído dimensões Variáveis de desempenho geral SR BB SG Satisfação com a imagem Imagem relativa a outras farmácias Boca a boca Satisfação com o desempenho geral Fonte: Dados da pesquisa 8/16 4,015 0,727 0,646 3,667 0,799 0,544 0,710 1,455 0,854 1,827 0,803 1,812 0,776 1,538 0,846 2,212 0,794 2,134 0,776 1,107 0,791 - ANAIS Neste estudo, foi adotado questionário multiatributo e os atributos são formados pelo desempenho das variáveis atmosféricas categorizadas por Turley e Milliman (2000). O pressuposto é que estímulos ambientais podem gerar estados emocionais de prazer e excitação, que por sua vez podem gerar respostas de aproximação ou afastamento de consumidores (DONAVAN et al, 1994; ROBERT; JOHN, 1982). Dessa forma, atributos que representassem os efeitos atmosféricos conforme Turley e Milliman (2000), foram categorizados em cinco dimensões (quadro 1) que podem influenciar o comportamento do consumidor. As variáveis de efeitos atmosféricos foram categorizadas em “variáveis externas”, “internas”, "ponto de venda", “layout” e “variáveis humanas”. Com a premissa de que não somente as variáveis de efeitos atmosféricos influenciam a satisfação geral do consumidor, foi adicionado ainda a sexta dimensão representando as “variáveis de atendimento” e a sétima dimensão "preço". No quadro 1 também está incluído as "variáveis de desempenho geral" definida como variável dependente. Como as dimensões foram obtidas com base em categorias teóricas, os fatores não são esperados serem ortogonais, sendo que o método de rotação confirmando o agrupamento teórico destes dados foi o Equamax. Para tratamento das variáveis e posterior análise PRCA, os atributos foram agrupados em sete dimensões de variáveis independentes. Ao rodar a análise fatorial, o fator Kaiser obtido foi de 0,859 explicando 71,6% dos dados, e o Alpha de Cronbach foi maior que 0,70 recomendado por Nunnally e Bernstein (1994). As dimensões para a recodificação PRCA foram obtidas por meio da média aritmética de cada grupo de atributos que representam aquela dimensão e os valores não foram padronizados (FÜLLER; MATZLER; FAULLANT, 2006; MATZLER; RENZL; ROTHENBERGER, 2006). A validação do agrupamento dos atributos nas respectivas dimensões foi balizado pela análise fatorial e pelo alpha de cronbach. Como o VIF máximo entre as dimensões é de 2,212 e Studenmund (2011) indica que apenas VIF > 4 é problemático, as dimensões não foram ortogonalizadas para manter os valores originais de cada dimensão. 4 ANALISE E DISCUSSÃO DOS DADOS O perfil dos clientes entrevistados é em sua maioria formado por mulheres (63,11%). 82,56%% declaram visitar a farmácia pelo menos uma vez por mês. Quanto a faixa etária, o público entrevistado é disperso, onde 31,79% tem até 29 anos, 25,64% de 30 a 39 anos, 21,54% de 40 a 49 anos, e 21,03% acima de 50 anos. A classe social mensurada pela renda familiar segundo critério do IBGE é formado por classes A/B (28,72%), classe C (44,52%) e classe D/E (26,67%). 4.1 Referencia de recodificação Para a recodificação, primeiramente foi definido a referência para estabelecer o nível alto ou baixo de desempenho. Como visto na seção 2 do presente trabalho, existem divergências na literatura quanto ao procedimento para tanto. Optamos por estabelecer o desempenho médio de cada dimensão de atributos. Essa determinação tem como pressuposto que os gestores vão querer decidir se devem elevar ou podem reduzir o desempenho atual de cada dimensão. 9/16 ANAIS Os fatores que representam as dimensões dos atributos não foram padronizados. Dessa forma, a magnitude dos coeficientes de regressão expressa a variação de Y em função de X, na mesma proporção da escala de Likert utilizada para avaliar o grau de satisfação. O pressuposto para esse entendimento é que o objetivo da PRCA é verificar o efeito das variáveis independentes na variável dependente, na mesma magnitude que foi avaliada. Caso seja optado pela padronização, dimensões com variação e consequente maior desvio padrão podem ser tomadas com mais importantes, o que é incorreto. Atributos com maior dispersão de dados apenas indica que seu desempenho é mais instável do que outra dimensão com menor variância. 4.2 Definição do tipo de variável dummy Foi optado pela recodificação dos atributos com dummy variável (PICOLO; TONTINI, 2008). Dessa forma, quanto maior a diferença da avaliação do atributo da média, maior o valor recodificado. Apesar da variável dummy binária ser extensamente utilizada na literatura, não a utilizamos porque existem divergências na literatura na definição de desempenho alto ou baixo, pois pode ser definido o quartil, tercil ou decil, o qual Albayrak e Caber (2013a) encontrou divergências nos resultados. A vantagem da recodificação variável é que a dummy eliminando possível arbitragem do ponto de estabelecimento do desempenho alto e baixo. 4.3 Classificação dos atributos No quadro 2, está apresentado a PRCA com recodificação variável e a recodificação binária com decil, quartil e tercil. Também está disponível o desempenho representado pelo nível de satisfação mensurado com uma escala de likert de 1 a 7, onde o nível 4 representa cliente satisfeito. Por isso, o teste “t” verifica se o desempenho é significativamente diferente de 4, indicando se o desempenho médio é significativamente mais ou menos que satisfeito. Inicialmente se observa, por meio do R2a que não existem evidências de alteração significativa da qualidade do modelo com a utilização do modelo com recodificação variável. Mas, existem divergências nas classificações dos atributos, observando a magnitude e a significância dos coeficientes, e por isso, a escolha do método de recodificação é crítico, visto que dependendo do método de recodificação, os valores de penalidade e recompensa são alterados. No entendimento de que o nível de satisfação médio dos atributos representa o desempenho atual percebido do serviço prestado (CHEUNG; LEE, 2005; ZEITHAML; BERRY; PARASURAMAN, 1996), pode se fazer a seguinte pergunta para nortear a escolha do método: Quais dimensões devem ter seu desempenho melhorado, observando o desempenho atual? A PRCA variável responde com mais precisão qual o impacto na satisfação geral a partir o desempenho médio da empresa em estudo, visto que com recodificação variável, pelo fato do valor de referência de recodificação de penalidade e recompensa ser o desempenho médio do atributo, se conhece o impacto gradual na satisfação geral, mesmo com alteração pequena da satisfação com o atributo relevante. Ao contrário, se o valor de referência for graduado apenas nas extremidades da escala, se conheceria o impacto na satisfação geral, apenas se o desempenho do atributo atingisse o valor extremo da escala. Entretanto, mesmo com recodificações com base em decil, tercil ou 10/16 ANAIS quartil superior e inferior, os valores intermediários podem ter influência na satisfação geral (BACK, 2012; BACK; LEE, 2015; MIKULIĆ, PREBEŽAC, 2008). Quadro 2 – Coeficientes PRCA Desempenho CÓD Dimensão PRCA Recodificação Recodificação Recodificação Recodificação Variável Binária decil Binária quartil Binária tercil Nível de p-value satisfação ≠4? Pen Rec Pen Rec Pen Rec Pen Rec 0,077 0,198 -0,301 * -0,070 -0,014 -0,028 0,148 * -0,364 EXT Externas 4,012 0,851 -0,131 -0,029 INT Internas 4,531 0,000 -0,056 0,110 -0,056 0,362 * -0,062 PV Ponto de venda 3,735 0,001 -0,187 * -0,044 -0,393 * 0,062 -0,196 0,001 LAY Layout 4,209 0,001 -0,029 HU Humanas 4,319 0,000 -0,235 * 0,140 * -0,129 AT Atendimento 4,764 0,000 0,024 PR Preço 4,178 0,004 -0,440 * 0,292 * -0,810 * 0,480 * -0,485 * 0,330 * -0,489 * 0,258 * 4,727 0,000 SG Satisfação geral a VIF máx Teste KS Fonte: Dados da pesquisa * Sig. ≤ 0,10 0,677 * -0,055 0,084 -0,207 * -0,044 0,251 * -0,040 0,216 * -0,200 * 0,259 * -0,214 * 0,261 * -0,001 -0,206 * -0,007 -0,253 * -0,004 -0,218 * -0,083 - 2 R 0,157 * -0,264 0,326 * - - - - - - - 0,498 0,381 0,473 0,507 2,424 1,660 1,891 2,183 0,998 0,547 0,632 0,547 Para identificar a influência de cada dimensão na satisfação geral, foi gerado um gráfico de recomendação gerencial (figura 2), sendo definido o eixo x, o desempenho dos atributos e o eixo y, os coeficientes de regressão de penalidade e recompensa. Figura 2 – Analise dos quatro quadrantes PRCA PEN Coeficientes de regressão 0,600 REC 0,400 PR LAY HU 0,200 * * * * -0,200 * AT EXT PV 0,000 INT * * -0,400 -0,600 3,000 4,000 Nível de satisfação Fonte: Dados de pesquisa * Sig. ≤ 0,10 11/16 5,000 ANAIS A linha divisória no "eixo x" é no nível 4 o qual tem significado de cliente satisfeito. Isso porque a escala de Likert utilizada para avaliar o grau de satisfação, varia de 1 a 7, com rótulo de “satisfeito” no nível 4 que é centro da escala. Dessa forma, dimensões a direita desse nível, representa que em média os clientes estão mais que satisfeitos. Por outro lado, dimensões a esquerda, os clientes não estão totalmente satisfeitos. A magnitude dos coeficientes beta não são padronizados e os valores de penalidade e recompensa expressam a variação da variável y (variável dependente) para cada unidade de x (variável independente). Dessa forma, os atributos que influenciam a satisfação geral se tiver o desempenho melhorado ou se reduzido de forma significativa (p-value ≤ 0,10) são preço (PR) e as variáveis atmosféricas humanas (HU) sendo classificado como unidimensional. Os atributos relativos as variáveis atmosféricas internas (INT) e atmosféricas de layout (LAY) classificados como atrativos, influenciam de forma significativa a satisfação geral apenas se o desempenho for melhorado. Os atributos relacionados ao ponto de venda (PV) classificados como obrigatórios influenciam a satisfação geral apenas se tiver o desempenho reduzido. E por fim, os atributos da dimensão das variáveis externas (EXT) e atendimento (AT), não influenciam a satisfação geral significativamente, sendo classificados como neutro. CONSIDERAÇÕES FINAIS A interpretação dos resultados da PRCA depende da medida em que a recompensa é maior, menor ou igual a penalidade. A medida que a penalidade supera a recompensa, o prestador de serviços recebe deméritos se tiver baixo desempenho, sem necessariamente receber bônus por excede-los. Isto sugere que o atributo em questão cumpre mais os requisitos mínimos do que agregar valor. Por outro lado, se a recompensa excede a penalidade, então o fornecedor poderá receber bônus se exceder as expectativas sem arriscar deméritos caso o desempenho seja reduzido, sugerindo que o atributo em questão pode ser agregar valor à experiência de serviço ao cliente (BRANDT, 1987). Tendo em vista que a PRCA pode ser definido como método que leva em conta a relação assimétrica dos atributos e a modelagem da satisfação geral, para a tomada de decisão. se recomenda verificar magnitudes significativas e mais expressivas, para verificar em que dimensões melhorar e quais dimensões não devem ter seu desempenho reduzido . Dessa forma, se torna método superior na análise de modelos de satisfação dos clientes quando comparado com o método de importância derivada estatisticamente. Quando a modelagem de um produto ou serviço é expresso em atributos com a avaliação direta, a recodificação arbitrada pelas extremidades da escala, pode incorrer em problemas da recodificação. As respostas dos dados pode ser assimétricas para esquerda ou direita e dessa forma, reduzir a magnitude do atributo, em função da baixa variabilidade da variável dummy codificada (LIN et al, 2010). Problemas de recomendação gerencial, em função de arbitragens na recodificação pode ser gerado na análise fatorial, visto que em função de uma definição de recodificação em decil, tercil ou quartil, podem gerar diferenças nos resultados como constatado nas pesquisas de Albayrak e Caber (2013a) . Para resolver a limitação de arbitragem de recodificação, se recomenda a recodificação com referência no desempenho médio do atributo. A PRCA com recodificação variável pode responder como o desempenho de um atributo se relaciona com o desempenho geral, a partir do desempenho médio, levando em conta a relação assimétrica e verificando os atributos ou 12/16 ANAIS fatores obrigatórios mínimos necessários, e os atributos atrativos correspondente a adição de valor ao cliente. Dessa forma, a PRCA com a recodificação variável pode responder: O que ocorre se melhorar ou reduzir o desempenho de atributos mesmo que seja em pequena magnitude? A observação da magnitude é relevante porque algumas dimensões podem influenciar a satisfação com o desempenho geral e essa influência pode ser significativa. Essa informação possivelmente seja mais importante do que identificar o quão simétrico o atributo é como indicado pelo índice IR ou IA, ou se a diferença entre os coeficientes de penalidade e recompensa são significativos, indicados pelo teste Wald, dado que o pressuposto teórico de não linearidade, é levado em conta quando se opta pelo PRCA. Como limitação da PRCA, não pode ser utilizado para simular atributos que não existem, na experiência de compra do cliente (PICOLO, TONTINI, 2008). Isso porque o clientes não tem condições de avaliar o nível de satisfação com o desempenho de atributos inexistentes e por isso, os coeficientes de penalidade e recompensa tendem a ser insignificantes. Logo, se recomenda realizar futuras pesquisas com metodologias que auxiliem a prever a interação dos atributos existentes com não existentes e seu provável impacto na satisfação com o desempenho geral. REFERENCIAS ALBAYRAK, Tahir; CABER, Meltem. Penalty–Reward-Contrast Analysis: a review of its application in customer satisfaction research. Total Quality Management Business Excellence, v. 24, n. 11-12, p. 1288-1300, 2013a. ALBAYRAK, Tahir; CABER, Meltem. Prioritisation of the hotel attributes according to their influence on satisfaction: A comparison of two techniques. Tourism Management, v. 46, p. 43-50, 2015. ALBAYRAK, Tahir; CABER, Meltem. The symmetric and asymmetric influences of destination attributes on overall visitor satisfaction. Current Issues in Tourism, v. 16, n. 2, p. 149-166, 2013b. ALEGRE, Joaquín; GARAU, Jaume. The factor structure of tourist satisfaction at sun and sand destinations. Journal of Travel Research, v. 50, n. 1, p. 78-86, 2011. ANDERSON, Eugene W.; MITTAL, Vikas. Strengthening the satisfaction-profit chain. Journal of Service research, v. 3, n. 2, p. 107-120, 2000. ARBORE, Alessandro; BUSACCA, Bruno. Customer satisfaction and dissatisfaction in retail banking: Exploring the asymmetric impact of attribute performances. Journal of Retailing and Consumer Services, v. 16, n. 4, p. 271-280, 2009. ARBORE, Alessandro; BUSACCA, Bruno. Rejuvenating importance-performance analysis. Journal of Service Management, v. 22, n. 3, p. 409-429, 2011. AZZOPARDI, Ernest; NASH, Robert. A critical evaluation of importance–performance analysis. Tourism Management, v. 35, p. 222-233, 2013. 13/16 ANAIS BACK, Ki-Joon. Impact-range performance analysis and asymmetry analysis for improving quality of Korean food attributes. International Journal of Hospitality Management, v. 31, n. 2, p. 535-543, 2012. BACK, Ki-Joon; LEE, Choong-Ki. Determining the Attributes of Casino Customer Satisfaction: Applying Impact-Range Performance and Asymmetry Analyses. Journal of Travel; Tourism Marketing, n. ahead-of-print, p. 1-14, 2015. BRANDT, Randall. D. A procedure for identifying value-enhancing service components using customer satisfaction survey data. In: Surprenant, C. (ed.). Add Value to Your Service.Chicago: American Marketing Association. p.61-65. 1987. CABER, Meltem; ALBAYRAK, Tahir; LOIACONO, Eleanor T. The classification of extranet attributes in terms of their asymmetric influences on overall user satisfaction an introduction to asymmetric impact-performance analysis. Journal of Travel Research, v. 52, n. 1, p. 106-116, 2013. CHEUNG, Christy MK; LEE, Matthew KO. The asymmetric effect of website attribute performance on satisfaction: an empirical study. In: System Sciences, 2005. HICSS'05. Proceedings of the 38th Annual Hawaii International Conference on. IEEE, 2005. CHEUNG, Christy MK; LEE, Matthew KO. User satisfaction with an internet‐based portal: An asymmetric and nonlinear approach. Journal of the American Society for Information Science and Technology, v. 60, n. 1, p. 111-122, 2009. COGHLAN, Alexandra. Facilitating reef tourism management through an innovative importance-performance analysis method. Tourism Management, v. 33, n. 4, p. 767-775, 2012. DONOVAN, Robert J. et al. Store atmosphere and purchasing behavior. Journal of retailing, v. 70, n. 3, p. 283-294, 1994. FOX, J. Applied regression analysis, linear models, and related methods. 2. ed. Sage, Thousand Oaks, CA, 2008. FUCHS, Matthias; WEIERMAIR, Klaus. Destination benchmarking: An indicator-system’s potential for exploring guest satisfaction. Journal of travel research, v. 42, n. 3, p. 212-225, 2004. FÜLLER, Johann; MATZLER, Kurt. Customer delight and market segmentation: An application of the three-factor theory of customer satisfaction on life style groups. Tourism management, v. 29, n. 1, p. 116-126, 2008. FÜLLER, Johann; MATZLER, Kurt; FAULLANT, Rita. Asymmetric effects in customer satisfaction. Annals of Tourism Research, v. 33, n. 4, p. 1159-1163, 2006. GARVER, M. S. Best practices in identifying customer-driven improvement opportunities. Industrial Marketing Management, v. 32, p.455-466, 2003. HAIR, J. F., BLACK, W. C., BABIN, B. J., ANDERSON, R. E. Multivariate data analysis: a global perspective, Upper Saddle River, NJ: Pearson Education, 2010. 14/16 ANAIS HENNIG‐THURAU, Thorsten; KLEE, Alexander. The impact of customer satisfaction and relationship quality on customer retention: A critical reassessment and model development. Psychology; Marketing, v. 14, n. 8, p. 737-764, 1997. KANO, N., SERAKU, N., TAKAHASHI, F., TSUJI, S. Attractive quality vs must be quality. Journal of the Japanese Society for Quality Control, v. 14, n. 2, p.39-48, 1984. (em japonês) LIN, Shu-Ping et al. Refining Kano's ‘quality attributes–satisfaction’model: A moderated regression approach. International Journal of Production Economics, v. 126, n. 2, p. 255263, 2010. MALHOTRA, N. Basic Marketing Research: A Decision-making Approach. 3. ed. Pearson/Prentice Hall, 2006 MAROCO, João. Análise Estatística, com utilizaçao do SPSS. Silabo. Lisboa, 2014. MARTILLA, John. A.; JAMES, John C. Importance performance analyses. Journal of Marketing. n. 9, p. 41-77, 1977. MATZLER, K; SAUERWEIN, Elmar. The factor structure of customer satisfaction. International Journal of Service Industry Management. v.13. n.4, p. 314-332, 2002. MATZLER, Kurt; FUCHS, Matthias; SCHUBERT, Astrid. Employee satisfaction: does Kano's model apply? Total Quality Management and Business Excellence, v. 15, n. 9-10, p. 1179-1198, 2004. MATZLER, Kurt; RENZL, Birgit. Assessing asymmetric effects in the formation of employee satisfaction. Tourism Management, v. 28, n. 4, p. 1093-1103, 2007. MATZLER, Kurt; RENZL, Birgit; ROTHENBERGER, Sandra. Measuring the relative importance of service dimensions in the formation of price satisfaction and service satisfaction: A case study in the hotel industry.Scandinavian. Journal of Hospitality and Tourism, v. 6, n. 3, p. 179-196, 2006. MIKULIĆ, Josip; PREBEŽAC, Darko. A critical review of techniques for classifying quality attributes in the Kano model. Managing Service Quality: An International Journal, v. 21, n. 1, p. 46-66, 2011. MIKULIĆ, Josip; PREBEŽAC, Darko. Prioritizing improvement of service attributes using impact range-performance analysis and impact-asymmetry analysis. Managing Service Quality: An International Journal, v. 18, n. 6, p. 559-576, 2008. MIKULIĆ, Josip; PREBEŽAC, Darko. Using dummy regression to explore asymmetric effects in tourist satisfaction: A cautionary note. Tourism Management, v. 33, n. 3, p. 713716, 2012. MITTAL, Vikas; KAMAKURA, Wagner A. Satisfaction, repurchase intent, and repurchase behavior: Investigating the moderating effect of customer characteristics. Journal of marketing research, v. 38, n. 1, p. 131-142, 2001. MITTAL, Vikas; ROSS Jr, William T. BALDASSERE, Ptric M. The asymmetric impact of negative and positive attribute-level performance on severall satisfaction and purchase intentions. Journal of Marketing. v. 62. p. 33-47. jan. 1998. 15/16 ANAIS NUNNALLY, JC, BERNSTEIN, IH. Psychometric Theory, 3. ed. McGraw-Hill, New York, NY, 1994. OLIVER, R. L. Customer satisfaction. A behavioral perspective on the consumer. McGrawHill: New York, 1997. PADULA, Giovanna; BUSACCA, Bruno. The asymmetric impact of price-attribute performance on overall price evaluation. International Journal of Service Industry Management, v. 16, n. 1, p. 28-54, 2005. PICOLO, Jaime Dagostim; TONTINI, Gerson. Análise do contraste da penalidade e da recompensa (PRC): identificando oportunidades de melhoria em um serviço. Revista de Administração Mackenzie, v. 9, n. 5, 2008. ROBERT, Donovan; JOHN, Rossiter. Store atmosphere: an environmental psychology approach. Journal of retailing, v. 58, p. 34-57, 1982. STUDENMUND, Arnold H. Using econometrics: A practical guide. Harper Collins, New York, 2011 TURLEY, Lou W.; MILLIMAN, Ronald E. Atmospheric effects on shopping behavior: a review of the experimental evidence. Journal of Business Research, v. 49, n. 2, p. 193-211, 2000. YI, Youjae; LA, Suna. What influences the relationship between customer satisfaction and repurchase intention? Investigating the effects of adjusted expectations and customer loyalty. Psychology; Marketing, v. 21, n. 5, p. 351-373, 2004. ZEITHAML, Valarie A.; BERRY, Leonard L.; PARASURAMAN, Ananthanarayanan. The behavioral consequences of service quality. The Journal of Marketing, p. 31-46, 1996. 16/16