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