Universidade De São Paulo Escola De Engenharia De São Carlos Departamento De Engenharia De Produção

Universidade de São Paulo Escola de Engenharia de São Carlos Departamento de Engenharia de Produção

Definição do campo das propriedades em aplicações de Sistema de Engenharia Kansei utilizando inputs de consumidores em lojas virtuais

Lucelindo Dias Ferreira Junior

São Carlos 2016

Lucelindo Dias Ferreira Junior

Definição do campo das propriedades em aplicações de Sistema de Engenharia Kansei utilizando inputs de consumidores em lojas virtuais

Exemplar de Tese apresentado à Escola de Engenharia de São Carlos, Universidade de São Paulo, como parte dos requisitos para obtenção do título de Doutor em Ciências. Área de concentração: Processos de Gestão e Operações

Orientador: Prof. Assoc. Daniel Capaldo Amaral

São Carlos 2016

AGRADECIMENTOS

A Deus; a meu orientador, Prof. Daniel Capaldo Amaral; a meus professores, Fábio Guerrini, Edmundo Escrivão e Henrique Rozenfeld; às secretárias Claudete e Jéssyca; a meus queridos pais, Aurilene e Lucelindo; a meus grandes irmãos, Ana Lucy, Fábio e Kamila; a meus sobrinhos, João Victor, Mel e Thório; a meus avós, Contente e Lucilina, Pedro e Áurea; a meus cunhados e cunhada, Thomas, Alex e Ana; a meus amigos, Cá, Camila, Ellison, Cau, Sarinha, El Pim, Pandinha, Viny, Full Moon, Lucas, Cíntia, Magá, Kellen, Maurícia e Van; a meus alunos, incentivadores; a meus tios e outros familiares e amigos; às pessoas que acreditam na perseverança; e, sobretudo, às que acreditam no amor.

Porque se chamava moço Também se chamava estrada Viagem de ventania Nem lembra se olhou pra trás Ao primeiro passo, aço, aço....

Porque se chamava homem Também se chamavam sonhos E sonhos não envelhecem Em meio a tantos gases lacrimogênios Ficam calmos, calmos, calmos

E lá se vai mais um dia

E basta contar compasso e basta contar consigo Que a chama não tem pavio De tudo se faz canção E o coração Na curva de um rio, rio...

E lá se vai mais um dia

E o Rio de asfalto e gente Entorna pelas ladeiras Entope o meio fio Esquina mais de um milhão Quero ver então a gente, gente, gente...

"Clube da Esquina nº 2" (Milton Nascimento, Lô Borges, Márcio Borges) Interpretação: Milton Nascimento

RESUMO

FERREIRA JUNIOR, L. D. Definição do campo das propriedades em aplicações de Sistema de Engenharia Kansei utilizando inputs de consumidores em lojas virtuais. São Carlos: EESC-USP, 2016. 258 p. Tese (Doutorado em Engenharia de Produção) – Programa de Pós-Graduação em Engenharia de Produção, Escola de Engenharia de São Carlos, Universidade de São Paulo, 2016.

O envolvimento do consumidor é fundamental nas fases iniciais de projetos de produtos inovadores, para a coleta de informações sobre interesses e preferências orientadores do processo de geração de ideias e conceitos de novos produtos. Uma das formas de viabilizar este envolvimento é utilizando ferramentas do tipo Sistema de Engenharia Kansei. Esse tipo de ferramenta permite a tradução de inputs de grande volume de consumidores em configurações de produtos otimizados para auxiliar a equipe de projeto, no Processo de Desenvolvimento de Produtos. Há duas principais limitações nos Sistemas de Engenharia Kansei propostos na literatura. A primeira é a operacionalização do envolvimento do consumidor na etapa de definição do campo das propriedades, i.e., captação dos dados de entrada dos consumidores. A segunda é a continuidade do envolvimento, com a intenção de fornecer informações atualizadas à equipe de projetos de produtos. Este trabalho propõe e testa procedimento automático para apoiar a definição do campo das propriedades utilizando inputs indiretos de consumidores obtidos em lojas virtuais, empregando e adaptando métodos utilizados em aplicações de Sistemas de Engenharia Kansei e Sistemas de Recomendação Híbridos. O procedimento automático fornece como resultado principal uma lista de produtos e propriedades, obtidos da realidade, representativos do domínio Kansei para utilização nas etapas posteriores de um Sistema de Engenharia Kansei. O teste do procedimento automático demonstrou que a dissimilaridade presente no conjunto inicial de produtos determina o número máximo de produtos representativos do domínio; e, que o grupo de produtos e propriedades representativos do domínio, obtido da aplicação do procedimento automático, pode apresentar disparidade com relação a um grupo referencial obtido utilizando método de planejamento de experimentos, embora atenda aos critérios informados na literatura seminal de Engenharia Kansei. Palavras-chave: Sistema de Engenharia Kansei, Envolvimento do consumidor, Sistema de Recomendação, Métodos estatísticos de agrupamento.

ABSTRACT

FERREIRA JUNIOR, L. D. Spanning the space of product properties in Kansei Engineering System applications using customer inputs obtained from virtual stores. São Carlos: EESC-USP, 2016. 258 p. Thesis (PhD in Production Engineering) – Graduate Program in Production Engineering, São Carlos School of Engineering, University of São Paulo, 2016.

The customer involvement is critical in the early stages of innovative projects, to collect information about guiding interests and preferences of the process of generating ideas and concepts of new products. One way to facilitate this involvement is using the type system of Kansei Engineering tools. This type of tool allows the translation of large volume of inputs of consumers in products optimized settings to assist the project team, the Product Development Process. There are two main limitations in Kansei Engineering Systems proposed in the literature. The first is the operationalization of consumer involvement in the step of defining the field of properties, i.e., capture the input data consumer. The second is the continued involvement with the intention to provide updated information to the team of product designs. This thesis proposes and tests automatic procedure to support the definition of the properties field using indirect inputs of consumers obtained in virtual stores, using and adapting methods used in applications of Kansei Engineering Systems and Hybrid Recommender Systems. The automatic procedure provides as main result a list of products and properties obtained from reality, representative of Kansei domain for use in the later stages of a Kansei Engineering System. The automatic test procedure showed that the dissimilarity present in the initial product set determines the maximum number of products representative of the field; and that the product group and representative properties of the domain obtained from the application of the automatic procedure can present disparity with respect to a reference group obtained using planning method of experiments, although meets the criteria given in the seminal literature Kansei Engineering. Keywords: Kansei Engineering System, Customer involvement, Recommendation System, Statystical clustering methods.

LISTA DE FIGURAS

Figura 1. Etapas da pesquisa...... 24 Figura 2. Construtos do Envolvimento Virtual do Consumidor no Processo de Desenvolvimento de Produtos ...... 27 Figura 3. Arcabouço genérico para a estruturação de um Sistema de Engenharia Kansei ...... 52 Figura 4. Arcabouço para a definição do campo das propriedades do produto ...... 54 Figura 5. Hierarquia do método de decomposição dos Elementos de Interface Humana ...... 72 Figura 6. Localização do procedimento Kansumers na estrutura de um Sistema de Engenharia Kansei genérico conforme estabelecido por Schütte (2002; 2005) ...... 80 Figura 7. Etapas preliminares do procedimento automático proposto Kansumers para a definição do campo das propriedades em um Sistema de Engenharia Kansei ...... 81 Figura 8. Etapas do procedimento de avaliação do algoritmo Kansumers ...... 91 Figura 9. Dendrograma da aplicação do método de Ward na matriz de avaliação ponderada de consumidores, para a identificação de agurpamentos de consumidores com perfis de consumo similares para o Cenário 1 ...... 103

LISTA DE TABELAS

Tabela 1. Ferramentas para viabilização do Envolvimento Virtual do Consumidor no PDP ... 34 Tabela 2. Classificação das ferramentas para o aspecto nível de envolvimento (D.1.1) ...... 37 Tabela 3. Classificação das ferramentas para o aspecto frequência do envolvimento (D.1.2) . 38 Tabela 4. Classificação das ferramentas para o aspecto fase(s) do PDP em que permite o envolvimento (D.1.3) ...... 39 Tabela 5. Classificação das ferramentas para o aspecto nível de elaboração da tarefa (D.2.1) 40 Tabela 6. Classificação das ferramentas para o aspecto especificidade da tarefa (D.2.2) ...... 41 Tabela 7. Classificação das ferramentas para o aspecto nível de conceptualização do output (D.3.1) ...... 42 Tabela 8. Classificação das ferramentas para o aspecto nível de especificidade da tarefa para utilização das informações (D.3.2) ...... 44 Tabela 9. Métodos utilizados para a coleta de exemplares de produtos representativos do domínio ...... 57 Tabela 10. Métodos utilizados para a identificação/coleta das propriedades do produto ...... 60 Tabela 11. Objeto de estudo nas aplicações de Sistemas de Engenharia Kansei...... 61 Tabela 12. Métodos utilizados para a determinação da importância e seleção das propriedades do produto ...... 63 Tabela 13. Tipo de representação de exemplares de produtos utilizados ...... 66 Tabela 14. Métodos utilizados para a seleção/definição de produtos representativos do domínio ...... 67 Tabela 15. Lista de elementos de interface identificados por Kwahk e Han (2002) ...... 71 Tabela 16. Valores de Stress de referência ...... 75 Tabela 17. Recorte inicial de itens/categorias com a identificação das variáveis ...... 94 Tabela 18. Lista de propriedades, itens e categorias do recorte inicial, para o produto telefone celular, divididas em três agrupamentos ...... 96 Tabela 19. Cenário de produtos para o grupo 1 de propriedades ...... 96 Tabela 20. Cenário de produtos para o grupo 2 de propriedades ...... 97 Tabela 21. Cenário de produtos para o grupo 3 de propriedades ...... 99 Tabela 22. Excerto da Tabela I.1, Apêndice I, que indica o número de vezes em que os usuários U001 a U100 realizam as ações de visualização, envio para o cesto de compras e

compra para os produtos P01 a P42 ...... 100 Tabela 23. Excerto da matriz de avaliação indireta ponderada, , para o Cenário 1 ...... 102 Tabela 24. Excerto da matriz de avaliação ponderada no nível das propriedades, , para o Cenário 1 ...... 103 Tabela 25. Composição de usuários/consumidores nos clusters de usuários para o Cenário 1 ...... 104 Tabela 26. Valores de simlaridade entre os centróides e os usuários/consumidores dos clusters CL01 e CL02 ...... 104 Tabela 27. Excerto contendo os valores de simlaridade entre os produtos e os usuários/consumidores dos clusters CL01 e CL02 para o Cenário 1 ...... 105 Tabela 28. Ranking de produtos para o Cenário 1 com a classificação dos produtos por ordem de preferência decrescente para os clusters CL01 e CL02 ...... 106 Tabela 29. Excerto da matriz de dissimilaridades entre os produtos para o Cenário 1 ...... 107 Tabela 30. Redução da dimensionalidade dos produtos para o Cenário 1 ...... 108 Tabela 31. topN de produtos representativos do domínio Kansei para o Cenário 1 ...... 109 Tabela 32. Composição dos clusters de usuários para os produtos no Cenário 2 ...... 110 Tabela 33. Ranking de produtos para o Cenário 2 para os clusters CL01 e CL02 ...... 110 Tabela 34. Redução da dimensionalidade dos produtos para o Cenário 2, matriz Y...... 111 Tabela 35. topN de produtos representativos do domínio Kansei para o Cenário 2 ...... 113 Tabela 36. Composição dos clusters de usuários para os produtos no Cenário 3 ...... 113 Tabela 37. Ranking de produtos para o Cenário 3, clusters CL01 e CL02 ...... 114 Tabela 38. Redução da dimensionalidade dos produtos para o Cenário 3, matriz Y...... 115 Tabela 39. topN de produtos representativos do domínio Kansei para o Cenário 3 ...... 117 Tabela 40. Grupo de produtos representativos do domínio para os clusters CL01 e CL02 obtido no primeiro experimento ...... 118 Tabela 41. Vetores V11 e V12 representativos das propriedades presentes nos conjuntos de produtos representativos do domínio Kansei obtidos do primeiro experimento ...... 119 Tabela 42. Arranjos ortogonais para o primeiro experimento ...... 120 Tabela 43. Vetor VR01 representativo das propriedades presentes no conjunto de produtos referencial obtido do Cenário 1 ...... 120 Tabela 44. Grupo de produtos representativos do domínio para os clusters CL01 e CL02 obtido segundo experimento ...... 121 Tabela 45. Arranjos ortogonais para o segundo experimento ...... 122

Tabela 46. Vetores V21, V22 e VR02, obtidos para o Cenário 2, no segundo experimento .. 122 Tabela 47. Grupo de produtos representativos do domínio para os clusters CL01 e CL02 obtido no terceiro experimento ...... 123 Tabela 48. Arranjos ortogonais para o terceiro experimento ...... 124 Tabela 49. Vetores V31, V32 e VR03, obtidos para o Cenário 3, no terceiro experimento ... 124

LISTA DE SIGLAS

matriz de ações de consumidores na loja virtual elemento da matriz matriz binária de perfis de produtos elemento da matriz matriz de avaliações indiretas no nível da propriedade elemento da matriz vetor centróide matriz de dissimilaridade distância Euclidiana matriz intermediária utilizada no MDS elemento da matriz intermediária utilizada no MDS

número de clusters de consumidores

número de propriedades

número de dimensões da matriz reduzida

número de produtos

número de consumidores/usuários

número de consumidores pertencentes ao cluster número de objetos nos clusters matriz de avaliações indiretas no nível do produto elemento da matriz vetor genérico elemento do vetor matriz reduzida dos produtos matriz de autovalores de matriz de autovalores de reduzida matriz de autovetores de matriz de autovetores de , e valores de parâmetros para o método de Ward

Subscritos Centróide consumidor/usuário Produto Propriedade tipo de ação do consumidor em relação ao produto indica uma fração do total de possíveis experimentos em um Arranjo Ortogonal dimensão da matriz reduzida dimensão da matriz original dimensão da matriz genérica de dissimilaridade dimensão da matriz reduzida produto pertencente à matriz produto pertencente à matriz , níveis de ensaios dos fatores em um Arranjo Ortogonal , , , , índice genérico

, arranjo ortogonal

Sobrescritos Cluster , número de fatores em um Arranjo Ortogonal indica a matriz reduzida

SUMÁRIO

1. Introdução ...... 17

1.1. Contexto e justificativa ...... 17

1.2. Objetivos e questões ...... 20

1.3. Etapas da pesquisa...... 21

1.4. Estrutura do trabalho ...... 25

2. Envolvimento Virtual do Consumidor no Processo de Desenvolvimento de Produtos ...... 26

2.1. Conceitos fundamentais sobre o Envolvimento Virtual do Consumidor ...... 26

2.2. Ferramentas para viabilização do Envolvimento Virtual do Consumidor no PDP ...... 33

2.3. Pontos fortes, fracos e limitações das ferramentas para o Envolvimento Virtual do Consumidor no PDP ...... 44

3. Engenharia Kansei ...... 50

3.1. Fundamentos da Engenharia Kansei ...... 50

3.2. Processo de definição do campo das propriedades Kansei ...... 53

3.3. Fontes de erro no processo de definição do campo das propriedades...... 56

4. Métodos e ferramentas para apoiar o procedimento automático ...... 68

4.1. Preâmbulo ...... 68

4.2. Método de Decomposição dos Elementos de Interface Humana (HIE) ...... 70

4.3. Web Usage Mining ...... 73

4.4. Método de agrupamento por Escalonamento Multidimensional (MDS) ...... 74

4.5. Método de agrupamento por Variância Mínima (Ward) ...... 76

4.6. Método de agrupamento k-médias (k-means) ...... 77

4.7. Distância Euclidiana...... 78

4.8. Coeficiente de Correlação Pearson ...... 79

4.9. Método dos arranjos ortogonais de Taguchi ...... 79

5. Rotina computacional para definição do campo das propriedades ...... 80

5.1. Arcabouço do procedimento automático Kansumers ...... 80

5.2. Extração de matriz de perfil de produtos (Etapa 1.1)...... 82

5.3. Extração de matriz de acessos de usuários/consumidores em loja virtual (Etapa 1.2) ... 83

5.4. Ponderação e consolidação das avaliações indiretas de consumidores/usuários no nível do produto (Etapa 1.3) ...... 83

5.5. Identificação das avaliações indiretas de consumidores no nível das propriedades (Etapa 1.4) ...... 84

5.6. Agrupamento de usuários/consumidores utilizando método hierárquico (Etapa 1.5) .... 85

5.7. Agrupamento de usuários/consumidores utilizando método não-hierárquico (Etapa 1.6) ...... 85

5.8. Cálculo da similaridade entre centróide e usuários/consumidores para os clusters (Etapa 1.7) ...... 86

5.9. Cálculo da similaridade entre produtos e usuários/consumidores para os clusters (Etapa 1.8)...... 86

5.10. Cálculo dos escores de avaliação indireta para os produtos em cada cluster (Etapa 1.9)...... 87

5.11. Cálculo de similaridade entre produtos (Etapa 1.10) ...... 88

5.12. Redução da dimensionalidade dos produtos usando MDS (Etapa 1.11) ...... 88

5.13. Agrupamento de produtos por similaridade utilizando método hierárquico (Etapa 1.12)...... 89

5.14. Identificação de grupo de produtos mais dissimilares (Etapa 1.13)...... 89

5.15. Ranking/geração de recomendação de produtos representativos do domínio (Etapas 1.14)...... 90

6. Teste do algoritmo e discussão dos resultados ...... 91

6.1. Arcabouço do procedimento para avaliação do algoritmo ...... 91

6.2. Etapas preliminares de tratamento dos dados de entrada ...... 92

6.2.1. Segmentação das propriedades e definição dos cenários de produtos ...... 94

6.2.2. Definição da matriz de acesso de usuários e pesos das ações ...... 100

6.3. Experimento 1 ...... 102

6.4. Experimento 2 ...... 109

6.5. Experimento 3 ...... 113

6.6. Análise dos resultados ...... 117

7. Conclusões ...... 127

Referências bibliográficas ...... 137

APÊNDICE A: Protocolo de Revisão Bibliográfica Estruturada (RBE) ...... 152

APÊNDICE B: Dimensões para caracterização do envolvimento virtual do consumidor ..... 171

APÊNDICE C: Procedimentos utilizados para a definição do campo das propriedades em Sistemas de Engenharia Kansei ...... 175

APÊNDICE D: Algoritmo para a definição do campo das propriedades em aplicações de Sistema de Engenharia Kansei utilizando inputs de consumidores em loja virtual ...... 187

APÊNDICE E: Relatório de tratamento das propriedades previamente coletadas ...... 194

APÊNDICE F: Recorte de propriedades para o teste do algoritmo ...... 210

APÊNDICE G: Lista dos produtos utilizados na simulação versus propriedades obtidas no recorte ...... 212

APÊNDICE H: Exequibilidade da obtenção e extração de matrizes de produtos e acessos de consumidores em protótipo de loja virtual ...... 223

APÊNDICE I: Matriz de acessos de usuários ...... 230

ANEXO A: Procedimento para revisão estruturada sobre Engenharia Kansei ...... 243

ANEXO B: Lista de propriedades de referência para o produto telefone celular de Lin et al. (2012) ...... 245

ANEXO C: Lista de propriedades obtidas das especificações técnicas para o produto telefone celular no site Tudo Celular ...... 248

ANEXO D: Algoritmo para análise de cluster k-médias do NaN-toolbox ...... 250

ANEXO E: Algoritmo para análise de cluster usando o método de Ward do IPT3-toolbox . 252

1. INTRODUÇÃO

1.1. Contexto e justificativa

O envolvimento do consumidor é fundamental em projetos de produtos inovadores cujos requisitos e limites não estão claramente delineados (GALES; MANSOUR-COLE, 1995). Esses projetos requerem informações atualizadas sobre preferências e interesses de consumidores para orientar a equipe de projetos nas fases iniciais do Processo de Desenvolvimento de Produtos (PDP), front-end, e apoiar na geração de ideias e conceitos de produtos. Para a obtenção desses inputs a organização deve estabelecer padrões de interação (LETTL, 2007), i.e., meios para captar o conhecimento do consumidor e envolvê-lo sistematicamente. Uma das formas de envolver o consumidor sistematicamente é através da utilização de ferramentas e recursos da Internet (NAMBISAN, 2002). Essas ferramentas têm possibilitado o envolvimento virtual do consumidor no PDP, proporcionando vantagens com relação aos métodos tradicionais (vide KAULIO, 1998). Algumas vantagens atribuídas ao envolvimento virtual do consumidor são (ERNST, 2004; SAWHNEY; VERONA; PRANDELLI, 2005; FÜLLER; MATZLER, 2007): apoio na atualização contínua dos requisitos do consumidor durantes as etapas do PDP; redução do tempo e custos para a realização do envolvimento; obtenção de informações mais acuradas dos consumidores em potencial; aumento na intensidade e riqueza da interação com o consumidor; aumento do escopo e tamanho do número de consumidores envolvidos. As ferramentas para viabilização do envolvimento virtual do consumidor podem funcionar como fóruns de discussão, configuradores de produtos (e.g., user toolkits), ou jogos para avaliação e complementação de ideias e conceitos de produtos desenvolvidos previamente pela equipe de projetos ou consumidores. O elevado grau de interatividade proporcionado por essas ferramentas têm permitido o envolvimento do consumidor de forma mais ativa, sobretudo nas etapas de geração de ideias e conceitos e projeto e engenharia do processo de desenvolvimento de produtos, fornecendo feedback sobre características, i.e. features, de produtos, por exemplo (NAMBISAN; BARON, 2007). A revisão bibliográfica identificou três principais desafios em ferramentas para a viabilização do envolvimento virtual do consumidor no PDP. O envolvimento de consumidores com baixo grau de expertise, apesar de considerado importante por vários

autores como Magnusson (2009), pode dificultar a elaboração de ideias e conceitos de produtos nas fases iniciais do desenvolvimento de produtos (BONNER; PORTER, 2002; LETTL, 2007). O segundo desafio refere-se à disposição (LETTL, 2007) e disponibilidade (HODA; NOBLE; MARSHALL, 2010) para o fornecimento de informações contínuas que permitam a compreensão da evolução nas preferências do consumidor no horizonte temporal. O terceiro desafio refere-se à triagem e síntese de grandes volumes de inputs de consumidores, de modo a permitir a utilização imediata pela equipe de projetos nas fases iniciais do PDP, minimizando redundâncias e indicando os aspectos mais importantes do ponto de vista dos consumidores envolvidos. Daí pode-se estruturar um problema geral relacionado ao tema: como captar e disponibilizar informações de consumidores com baixos níveis de expertise, de forma continuada, para apoiar a equipe de projetos nas etapas inicias (front-end) do Processo de Desenvolvimento de Produtos? Uma forma de viabilizar o envolvimento virtual de consumidores com baixo nível de expertise pode ocorrer com a utilização de ferramentas que requisitem tarefas de alta especificidade para a obtenção de inputs, tais como a avaliação com escalas numéricas, conforme é aplicado em Sistemas de Engenharia Kansei. Esse tipo de Sistema permite a captação de inputs de grande volume de consumidores sobre um determinado tipo de produto e tratamento, utilizando métodos matemáticos e computacionais, para a geração de concepções de novos produtos; ou, rankings de características de produtos que evoquem tipos de sensações, sentimentos ou emoções de consumidores. Assim, apresenta como informação de saída uma síntese que propiciaria o uso imediato dos inputs obtidos de consumidores pela equipe de projeto nas etapas iniciais do PDP. Um Sistema de Engenharia Kansei embora permita, em tese, a tradução de inputs de grande volume de consumidores com baixo nível de expertise para a composição de informações úteis e para imediata aplicação no Processo de Desenvolvimento de Produtos, apresenta dois principais desafios que interessam para este trabalho, no que concerne à obtenção de inputs de consumidores para a definição do campo das propriedades, mais especificamente: (a) definição da lista de propriedades do produto; e, (b) geração do banco de dados de produtos representativos, que será utilizado na geração de conceitos de produtos otimizados ou ranking de características de produtos. A definição do campo das propriedades é a etapa na qual é definida uma lista de propriedades que será empregada nos questionários de avaliação dos consumidores. Uma vez

escolhidas as propriedades, há o desafio de identificar um conjunto de produtos para serem utilizados nas etapas seguintes do Kansei, os quais devem conter um conjunto apropriado de propriedades para que a técnica dê resultados úteis. Os dois desafios estão fortemente relacionados e influenciam diretamente no resultado final da aplicação do Kansei. A literatura seminal recomenda de maneira explícita o envolvimento do consumidor na definição do campo das propriedades (SCHÜTTE et al., 2008; NAGAMACHI; LOKMAN, 2011). Apesar disso, em aplicações de Sistemas de Engenharia Kansei o campo das propriedades é definido, principalmente, pela equipe de projetos (NAGAMACHI; OKAZAKI; ISHIKAWA, 2006; NORDVIK; SCHÜTTE; BROMAN, 2009; HUANG; CHEN; KHOO, 2012a). Há o risco de ocorrer negligência de importantes atributos/valores de produtos sob a ótica dos consumidores, que percebem os produtos e suas propriedades de modo distinto da equipe de projetos, conforme mostram Hsu, Chuang e Chang (2000). A superação desse desafio implicaria no envolvimento de consumidores para a triagem de uma grande quantidade de propriedades e produtos, considerando hierarquização por nível de importância, tarefa desafiadora para o caso de grandes volumes de consumidores e, ainda, com baixo nível de expertise. O segundo desafio refere-se à atualização contínua do banco de dados relacionado às propriedades de produtos, utilizado no Sistema de Engenharia Kansei. Esse banco de dados deve ser atualizado periodicamente, requisitando um envolvimento contínuo do consumidor, para acompanhar as alterações nas preferências e interesses do mercado consumidor, observando aspectos como moda e tendências, com a intenção de fornecer informações para a equipe de projetos que estejam alinhadas ao mercado enfocado. A superação desse desafio implicaria em aumento na persistência e frequência do envolvimento virtual do consumidor, tarefa desafiadora para o caso de consumidores com baixa disposição, disponibilidade, e interesse no fornecimento de inputs em um processo de envolvimento virtual. O grande volume de dados, sobretudo para o caso de produtos complexos, pode propiciar a ocorrência de erros sistemáticos durante a realização da tarefa. Há na literatura um conjunto de ferramentas que auxilia na captação de inputs indiretos de consumidores, utilizando métodos de mineração e triagem, para a obtenção de dados sobre preferências, desejos e comportamentos de compra de consumidores. São os Sistemas de Recomendação Híbridos baseados na categorização por propriedades de produtos, que aplicam a mineração do tipo Web Usage Mining para a captação indireta dos inputs de consumidores (CHO; KIM, 2004; ALBADVI; SHAHBAZI, 2009). Um Sistema de Recomendação, em termos gerais, pode ser definido como um sistema que emprega métodos

de mineração de dados para identificar conteúdos, produtos ou serviços (e.g., livros, filmes, sites), da análise de sugestões/avaliações feitas por usuários, com o propósito de recomendar conteúdos, produtos ou serviços cujo um dado usuário possua maior predisposição a comprar, considerando seu histórico de compras (PARK et al., 2012). Os Sistemas de Recomendação Híbridos, como o WebCF-PT (CHO; KIM, 2004) e HRPCA (ALBADVI; SHAHBAZI, 2009), identificam as preferências de consumidores no nível da propriedade do produto (WENG; LIU, 2004), a partir do comportamento de compra em uma dada loja virtual, com a finalidade de recomendar a compra de novos produtos e serviços para o consumidor. O comportamento de compra de um consumidor é caracterizado considerando a frequência com que visualizam, colocam no cesto de compras e/ou compram um determinado produto (CHO; KIM, 2004). Este trabalho investigou a utilização dos métodos de mineração e triagem dos Sistemas de Recomendação Híbridos referidos como forma de auxiliar na superação dos desafios para a obtenção de inputs de consumidores, considerando um envolvimento continuado, para a atualização periódica sobre as preferências e interesses de consumidores. E, dessa forma, fomentar o envolvimento de consumidores com baixo nível de expertise, de forma continuada, nas etapas iniciais do Processo de Desenvolvimento de Produtos, auxiliando a equipe de projetos no direcionamento do projeto do produto.

1.2. Objetivos e questões

O objetivo deste trabalho é propor e testar um procedimento automático para apoiar a definição do campo das propriedades utilizando inputs indiretos de consumidores em lojas virtuais. Para isso, emprega e adapta métodos utilizados em aplicações de Sistemas de Engenharia Kansei e Sistemas de Recomendação Híbridos para auxiliar na triagem sistemática de propriedades e produtos representativos do domínio Kansei. São objetivos específicos deste trabalho: a) Permitir o envolvimento do consumidor comum, ordinary user, utilizando a Internet e captação indireta de inputs, no processo de definição do campo das propriedades e, conseqüentemente, no Processo de Desenvolvimento de Produtos; b) Favorecer o aumento na frequência de obtenção dos dados e a continuidade do envolvimento do consumidor/usuário, para apoiar a equipe de projeto de produtos, com a intenção de acompanhar as mudanças nas preferências e

interesses de consumidores/usuários, i.e., o levantamento de dados prospectivos que indiquem as tendências de mercado; c) Permitir a aplicação em grandes contextos, elevado número de dados, com base em produtos eletrônicos do tipo bens de consumo duráveis, possibilitando o triagem sistemática e replicabilidade dos produtos e propriedades no processo de definição do campo das propriedades; e, d) Auxiliar a equipe de projetos nas fases iniciais (front-end) do projeto, ao recomendar uma lista de produtos representativos do domínio para a realização das atividades previstas em um Sistema de Engenharia Kansei genérico proposto por Schütte (2002; 2005). Para a consecução dos objetivos primário e específicos, o trabalho possui objetivos que impactam nas áreas de Processo de Desenvolvimento de Produtos e Engenharia Kansei. São os seguintes: a) Delinear o conceito de Envolvimento Virtual do Consumidor no Processo de Desenvolvimento de Produtos, com a identificação de ferramentas para viabilizar este envolvimento e definição de taxonomia para avaliá-las. b) Identificar métodos e ferramentas utilizados nas etapas do processo de definição do campo das propriedades em aplicações de Sistemas de Engenharia Kansei.

As perguntas a serem respondidas ao término do trabalho são: Q1: Como pode ser estruturado um procedimento automático para auxiliar a definição do campo das propriedades em um Sistema de Engenharia Kansei, que permita a triagem sistemática de grande volume de dados sobre produtos e suas propriedades que reflitam as preferências e interesses de consumidores/usuários obtidos indiretamente em lojas virtuais? Q2: Quais as limitações potenciais do procedimento automático proposto em termos de resultados para uso imediato pela equipe de projetos na estruturação de um Sistema de Engenharia Kansei, considerando a obtenção de inputs indiretos de grupos de consumidores/usuários em lojas virtuais?

1.3. Etapas da pesquisa

O trabalho está dividido em três macrofases (Figura 1), denominadas aqui de: (1) revisões e elaborações iniciais; (2) revisões e elaborações específicas; e, (3) implementação e teste das elaborações específicas. 21

Revisões e elaborações iniciais. Esta macrofase está dividida em quatro principais etapas. A primeira Etapa (1.1) consistiu na realização de uma Revisão Bibliográfica Exploratória Inicial (RBEI) sobre o tema Envolvimento Virtual do Consumidor no Processo de Desenvolvimento de Produtos. Teve por propósito a identificação dos construtos caracterizadores do envolvimento virtual do consumidor no PDP, favorecendo a compreensão integrada do fenômeno fragmentado em diferentes áreas do conhecimento, tais como Gestão, Desenvolvimento de Produtos e Design. Também, teve por propósito auxiliar na definição de palavras-chave, bases de busca e periódicos iniciais para a realização de revisão sobre as ferramentas descritas na literatura científica para a viabilização do envolvimento virtual do consumidor no PDP. A segunda Etapa (1.2) consistiu na realização de uma Revisão Bibliográfica Estruturada (RBE), utilizando como dados de entrada os outputs da Etapa (1.1), para a identificação de ferramentas para a viabilização do envolvimento virtual do consumidor no Processo de Desenvolvimento de Produtos, conforme descreve o Protocolo no Apêndice A. A terceira Etapa (1.3) consistiu na estruturação de uma taxonomia, Apêndice B, para sistematizar a classificação e análise das ferramentas. A quarta Etapa (1.4) consistiu na análise para identificação dos pontos fortes, fracos e limitações das ferramentas para viabilização do envolvimento virtual do consumidor no Processo de Desenvolvimento de Produtos. Revisões e elaborações específicas. Esta macrofase está dividida em quatro principais etapas. A primeira Etapa (2.1) consistiu na Revisão Bibliográfica sobre a metodologia Engenharia Kansei, com enfoque nas ferramentas denominadas Sistemas de Engenharia Kansei, para a identificação dos conceitos e procedimentos. Esta revisão foi complementar à revisão realizada durante o Mestrado do pesquisador, tendo por objetivo atualização de conteúdo. A segunda Etapa (2.2) consistiu na realização de Revisão Bibliográfica Estruturada (RBE) para a identificação de procedimentos, métodos e ferramentas para a definição do campo das propriedades em aplicações de Sistemas de Engenharia Kansei obtidas em artigos selecionados por Silva e Amaral (2013), cujo protocolo está no Anexo A. A terceira Etapa (2.3) consistiu na análise para identificação das fontes de erro no processo de definição do campo das propriedades, i.e., as principais limitações existentes nos procedimentos, métodos e ferramentas utilizados em aplicações de Sistemas de Engenharia Kansei. A quarta Etapa (2.4) consistiu na Revisão Bibliográfica sobre Sistemas de Recomendação, com enfoque em ferramentas denominadas Sistemas de Recomendação Híbridos, baseadas na categorização de propriedades de produtos para aplicação em lojas virtuais. A quinta Etapa (2.5) consistiu na elaboração de um procedimento automático para

apoiar a definição do campo das propriedades utilizando inputs indiretos de consumidores, considerando a seleção e adaptação dos procedimentos, métodos e ferramentas aplicados em Sistemas de Engenharia Kansei e Sistemas de Recomendação Híbridos baseados na categorização de propriedades de produtos, conforme análise. Teve por propósito a superação das limitações existentes nas ferramentas para viabilização do envolvimento virtual do consumidor no PDP, identificadas na Etapa (1.4). Implementação e teste das elaborações. Esta macrofase está dividida em cinco principais etapas. A primeira Etapa (3.1) consistiu na definição de algoritmo para apoiar o procedimento automático para a definição do campo das propriedades utilizando inputs indiretos de consumidores, proposto na Etapa (2.5). A segunda Etapa (3.2) consistiu no delineamento e execução do experimento para averiguar o desempenho do procedimento automático proposto, utilizando dados reais e hipotéticos. A terceira Etapa (3.3) consistiu na síntese dos resultados, identificação dos pontos fortes, fracos e limitações da proposta, e proposição de trabalhos para a continuidade da pesquisa relacionada ao tema.

Figura 1. Etapas da pesquisa

1.4. Estrutura do trabalho

Esta Tese está estruturada em sete capítulos: Capítulo 1. Contextualiza e justifica o trabalho. Apresenta os problemas de pesquisa, e localiza o problema que se pretende solucionar. Descreve os objetivos da pesquisa e as etapas para a realização do trabalho. Capítulo 2. Apresenta os conceitos e modelo teórico para o entendimento do fenômeno envolvimento virtual do consumidor no Processo de Desenvolvimento de Produtos. Apresenta uma síntese e classificação das ferramentas para a viabilização do envolvimento virtual do consumidor no PDP. Apresenta os pontos fortes e fracos e limitações das ferramentas para a viabilização do envolvimento virtual do consumidor no PDP. Capítulo 3. Apresenta os conceitos e definições fundamentais sobre a metodologia Engenharia Kansei, com especial enfoque à Engenharia Kansei Tipo II. Descreve os procedimentos e recomendações para a definição do campo das propriedades nos Sistemas de Engenharia Kansei. Apresenta algumas fontes de erro no processo de definição do campo das propriedades em Sistemas de Engenharia Kansei identificados em Revisão Bibliográfica Estruturada. Capítulo 4. Apresenta e descreve os métodos e ferramentas utilizados na estruturação e execução da proposta de procedimento automático para a definição do campo das propriedades utilizando inputs de consumidores virtuais. Capítulo 5. Apresenta a estrutura matemática e computacional para a viabilização da proposta de procedimento automático para a definição do campo das propriedades utilizando inputs de consumidores virtuais. Capítulo 6. Apresenta o teste do procedimento automático para a definição do campo das propriedades utilizando inputs de consumidores virtuais, para o survey target telefone celular. Neste teste é utilizado um grupo de produtos inicial, obtido em site de referência sobre celulares, como entrada para o algortimo proposto. Capítulo 7. Apresenta as considerações finais, com a indicação dos pontos fortes e fracos e limitações do trabalho. Sugere alguns caminhos para a continuidade da pesquisa.

2. ENVOLVIMENTO VIRTUAL DO CONSUMIDOR NO PROCESSO

DE DESENVOLVIMENTO DE PRODUTOS

Este capítulo apresenta os conceitos e modelo teórico para descrever o fenômeno envolvimento virtual do consumidor no processo de desenvolvimento de produtos (PDP), na seção 2.1. Na seção 2.2., apresenta uma síntese e classificação das ferramentas descritas na literatura científica para a viabilização do envolvimento virtual do consumidor no processo de desenvolvimento de produtos. Na seção 2.3, apresenta os pontos fortes, fracos e limitações das ferramentas para a viabilização do envolvimento virtual do consumidor no PDP.

2.1. Conceitos fundamentais sobre o Envolvimento Virtual do Consumidor

O Envolvimento do Consumidor pode ser definido, de acordo com Kaulio (1998), “como a interação entre consumidores e o processo de projeto de produtos”, com o propósito de auxiliar na geração de novas ideias e conceitos de produtos (FÜLLER; MATZLER, 2007). Torna-se virtual, sendo denominado Envolvimento Virtual do Consumidor (EVC), quando intermediado por equipamentos eletrônicos, i.e., quando requisita Comunicação Mediada por Computadores (CMC), para a conexão de consumidores dispersos geográfica e temporalmente (NAMBISAN, 2002). O fenômeno Envolvimento Virtual do Consumidor pode ser descrito em construtos divididos em três agrupamentos1. O primeiro agrupamento, denominado “consumidor”, é constituído por três construtos: entidade captada para o envolvimento (construto 1.1); plataforma de agregação (construto 1.2); e, mecanismo de motivação (construto 1.3). Na Figura 2 é apresentada uma síntese dos construtos caracterizadores do Envolvimento Virtual do Consumidor.

1 Os construtos identificados resultaram em uma lista inicial de aspectos que foram agrupados, por similaridade, em construtos de alto nível, rotulados por termos de cunho mais abrangente. A identificação dos construtos caracterizadores do Envolvimento Virtual do Consumidor resultou no artigo de Ferreira Junior e Amaral (2013), que contém informações adicionais sobre a revisão exploratória realizada. 26

Figura 2. Construtos do Envolvimento Virtual do Consumidor no Processo de Desenvolvimento de Produtos

Fonte: autoria própria

O construto 1.1 representa a entidade que será envolvida virtualmente no processo de desenvolvimento de produtos de forma a contribuir com sua criatividade e capacidade para resolução de problemas, para avaliar, testar e elaborar novas ideias de produtos (FÜLLER; MATZLER, 2007), i.e., fornecer inputs que apóiem o processo de desenvolvimento de produtos da organização. A entidade pode ser um único indivíduo, em interação díade com a organização (HOWE, 2006 apud BRABHAM, 2008), ou um grupo de indivíduos cuja quantidade, heterogeneidade e tipo de conhecimento deverão ser definidos pelo organizador do processo de envolvimento (ESTELLÉS-AROLAS; GONZALÉZ-LADRÓN-DE- GUEVARA, 2012). Quando agrupados, os consumidores podem constituir comunidades virtuais. As comunidades virtuais podem ser definidas como um agrupamento temporário ou permanente de indivíduos, utilizando meio eletrônico, que interagem com um interesse comum (PLANT, 2004). Em comunidades virtuais de consumidores, produtos e serviços de organizações podem ser discutidos, analisados, criticados e, potencialmente, melhorados (ROMERO; MOLINA, 2011), com o suporte e colaboração entre usuários no desenvolvimento e aplicação de inovações (von HIPPEL, 2005).

O construto 1.2 representa a plataforma de agregação de consumidores. Essas plataformas podem ser definidas, para os propósitos deste trabalho, como tecnologias baseadas na Internet que objetivam propiciar interação entre indivíduos e grupos de indivíduos para o compartilhamento, a criação, discussão e modificação de conteúdo gerado por seus usuários (KIETZMANN et al., 2011), sendo reconhecidas na literatura pelo termo social media. Na literatura, diversos autores referem potencialidades do uso dessas plataformas no processo de desenvolvimento de produtos, como é o caso de Kohler et al. (2011), Howard (2010), Shih (2009), e Standing e Kiniti (2011), devido à capacidade de agregar consumidores distribuídos. São destacados seis tipos de plataformas, de acordo com Kaplan e Haenlein (2010): (1) Collaborative Projects; (2) Blogs; (3) Content Communities; (4) Social Network Sites; (5) Virtual Game Worlds; e, (6) Virtual Social Worlds. Collaborative Projects permitem a criação conjunta e simultânea de conteúdo por muitos usuários, colaborativamente. Os Wikis, como um exemplo, permitem que documentos sejam elaborados e publicados na Internet, por usuários registrados ou não, sem a necessidade de um agente mediador para aprovação de conteúdo, de maneira simples, sem requerer muitas habilidades do usuário, e com controle de versão (STANDING; KINITI, 2011). Blogs permitem aos usuários ter algo próximo a uma webpage pessoal, na qual podem descrever impressões pessoais, possibilitando a interação com outros indivíduos. Essas ferramentas propiciam o compartilhamento de diários, a busca de informações e a realização de negociações, e permitem que usuários comentem coletivamente sobre aspectos de determinados produtos e serviços (HSU; TSOU, 2011), por exemplo. Content Communities possibilitam o compartilhamento de mídias entre usuários. O YouTube, como um exemplo, permite aos usuários a criação de um perfil que indica atividades recentes, amigos, comentários e vídeos favoritos, mas também permite a publicação, visualização, e realização de comentários sobre os vídeos publicados (SMITH; FISCHER; YONGJIAN, 2012). Social Network Sites permitem aos usuários construir um perfil público ou semipúblico dentro de um sistema delimitado, articular uma lista de outros usuários com os quais ele partilha uma conexão, e ver e atravessar sua lista de conexões, e aquelas feitas por outros, dentro do sistema (BOYD; ELLISON, 2008). Como exemplos desse tipo de ferramenta podem ser citados o Facebook, Orkut, MySpace. Virtual Worlds, que podem ser Virtual Game Worlds ou Virtual Social Worlds, permitem ao usuário a construção de avatares, que se tornam representantes dos usuários no

meio virtual, propiciando a interação com outros avatares (MESSINGER et al., 2009) e interações com um ambiente virtual graficamente rico. Essas interações podem incluir, de acordo com Messinger et al. (2009): envio de mensagens escritas, objetos, dinheiro; envio de mensagem por voz; navegação pelo mundo virtual por diversos “meios de transporte”; e outros tipos de experiências, como praticar esportes, dançar, tocar coisas. Um exemplo de ferramenta do tipo Virtual Game Worlds é o World of Warcraft, e do tipo Virtual Social Worlds, o Second Life. O Second Life, em especial, representa um mundo virtual completo, similar ao real, constituído por pessoas, construções, lugares naturais, propriedades estatais, no qual há um sistema econômico, é possível a exploração de recursos e o desenvolvimento de empresa virtual (ALBORS; RAMOS; HERVAS, 2008). O construto 1.3 representa o mecanismo de motivação. O mecanismo de motivação pode ser definido como o meio pelo qual uma organização incentiva consumidores a participar e fornecer ideias no processo de desenvolvimento de produtos, utilizando as ferramentas de envolvimento virtual (ROMERO; MOLINA, 2011). Esses incentivos devem ser percebidos como benefícios pelo consumidor, conduzindo-o a um engajamento e interesse no envolvimento virtual (KOHLER et al., 2011), e podem ser fornecidos intencionalmente, ou não, pela entidade criadora da iniciativa (ESTELLÉS-AROLAS; GONZÁLEZ-LADRÓN- DE-GUEVARA, 2012). Podem ser identificados quatro agrupamentos de mecanismos de motivação (ROHRBECK; STEINHOFF; PERDER, 2010): (1) entretenimento e curiosidade; (2) reconhecimento social; (3) necessidades pessoais e uso do produto; e, (4) incentivos monetários. Os mecanismos de motivação pertencentes ao agrupamento “entretenimento e curiosidade” referem-se aos incentivos que podem ser originados da experiência proporcionada pelo uso da ferramenta, que pode estar associada ao uso de uma nova tecnologia (NAMBISAN, 2002), ou realização de tarefa autotélica/lúdica/divertida (FÜLLER, 2006; FÜLLER; MATZLER, 2007), exploração de curiosidade (FÜLLER, 2006), busca de novas informações relacionadas ao produto ou a inovação (FÜLLER, 2006). Os mecanismos de motivação que derivam do “reconhecimento social” (ESTELLÉS- AROLAS; GONZÁLEZ-LADRÓN-DE-GUEVARA, 2012) são aqueles que proporcionam status (NAMBISAN, 2002), senso de pertença e identidade relacionada à filiação em determinada comunidade de consumidores (NAMBISAN, 2002), visibilidade/notação como coinventor (FÜLLER, 2006; FÜLLER; MATZLER, 2007), amizades de mesma opinião (FÜLLER, 2006), sensação de altruísmo e suporte à comunidade (FÜLLER, 2006),

autoestima (ESTELLÉS-AROLAS; GONZÁLEZ-LADRÓN-DE-GUEVARA, 2012). Os mecanismos de motivação que satisfazem às “necessidades pessoais e de uso do produto”, também referidos como incentivos relacionados ao produto/serviço (NAMBISAN, 2002), são aqueles que derivam da possibilidade de influenciar o produto final, para adequar o produto a necessidades pessoais ou resolver insatisfações (NAMBISAN, 2002; FÜLLER, 2006), aplicar habilidades e criatividade pessoais para solução de problemas desafiadores (NAMBISAN, 2002; FÜLLER, 2006), obter experiência com a participação para a aquisição/desenvolvimento de conhecimento e habilidades relacionados aos novos produtos ou tecnologias (NAMBISAN, 2002; FÜLLER, 2006; ESTELLÉS-AROLAS; GONZÁLEZ- LADRÓN-DE-GUEVARA, 2012). Por fim, os mecanismos de motivação monetários são aqueles que estimulam o envolvimento virtual do consumidor oferecendo incentivos tais como: brindes (FÜLLER, 2006; ROMERO; MOLINA, 2011), pontos bônus (FÜLLER, 2006), sorteios (FÜLLER, 2006), ou compensações monetárias de benefício imediato (FÜLLER, 2006), compartilhamento de royalties ou propriedade intelectual (ROMERO; MOLINA, 2011), satisfação de cunho econômico (ESTELLÉS-AROLAS; GONZÁLEZ-LADRÓN-DE- GUEVARA, 2012). O segundo agrupamento de construtos caracterizadores do fenômeno Envolvimento Virtual do Consumidor, denominado “organizador”, é constituído por dois construtos: entidade promotora do envolvimento (construto 2.2); e, retorno do envolvimento (construto 2.2). O construto 2.1 representa a entidade promotora do envolvimento, que pode ser definida como aquela que obterá o benefício do “trabalho” dos consumidores envolvidos, ou seja, será beneficiada da experiência, conhecimento e capacidade para solução de problemas dos envolvidos (ESTELLÉS-AROLAS; GONZÁLEZ-LADRÓN-DE-GUEVARA, 2012). Em síntese, o organizador é a entidade que se beneficiará dos inputs fornecidos pelos consumidores para o processo de desenvolvimento de produtos. Pode ser considerada qualquer entidade com os meios para desenvolver a iniciativa considerada, seja uma organização, instituição, organização sem fins lucrativos ou um indivíduo (ESTELLÉS- AROLAS; GONZÁLEZ-LADRÓN-DE-GUEVARA, 2012). Romero e Molina (2011) referem que o organizador pode ser um grupo de organizações em redes colaborativas, denominadas Virtual Organizations (VO). Essas redes colaborativas seriam formadas, considerando suas competências complementares, quando do surgimento de uma oportunidade para o desenvolvimento do produto.

O construto 2.2 representa o retorno do envolvimento, que pode ser definido como o benefício que a entidade promotora do envolvimento obtém ao envolver virtualmente o consumidor no processo de desenvolvimento de produtos. Muitos desses retornos são referidos na literatura de envolvimento do consumidor no PDP, não sendo específicos para o caso do envolvimento virtual, tais como os referidos por Füller e Matzler (2007): redução dos riscos e incertezas de mercado; identificação de necessidades não conhecidas de consumidores; aumento da quantidade de ideias de produtos; contato com o potencial consumidor; aumento na base de ideias para tomada de decisões. Em suma, a organização pode se beneficiar do trabalho, experiência e conhecimento dos envolvidos (ESTELLÉS- AROLAS; GONZÁLEZ-LADRÓN-DE-GUEVARA, 2012). Sawhney, Verona e Prandelli (2005) referem benefícios que são específicos do envolvimento virtual, por exemplo, as ferramentas para integração virtual do consumidor permitem: interações, direta e/ou mediada, com consumidores; interações em tempo real e mais frequentes; aumento na velocidade e persistência do envolvimento; aumento da quantidade de consumidores envolvidos. O terceiro agrupamento de construtos caracterizadores do fenômeno Envolvimento Virtual do Consumidor, denominado “processo de envolvimento virtual”, é constituído por três construtos: ferramenta de viabilização do processo (construto 3.1); tipo de convocação (construto 3.2); trigger (construto 3.3). O construto 3.1 representa as ferramentas de viabilização do envolvimento. Essas ferramentas podem ser definidas como meios que permitem a interação, diálogo, e captação de inputs de consumidores, provendo desafios criativos ou tarefas repetitivas, i.e., tarefas de variada complexidade que objetivam a resolução de um problema (ESTELLÉS-AROLAS; GONZÁLEZ-LADRÓN-DE-GUEVARA, 2012). As ferramentas de viabilização do envolvimento virtual consideram, como meio precípuo, a utilização de comunicação mediada por computador (CMC), que corresponde a qualquer tipo de interação que ocorre entre usuários dispersos geograficamente e no tempo, utilizando computador (NAMBISAN, 2002), mas para o EVC a literatura refere, em especial, o uso da Internet (SAWHNEY; VERONA; PRANDELLI, 2005; FÜLLER; MATZLER, 2007; ESTELLÉS-AROLAS; GONZALÉZ-LADRÓN-DE-GUEVARA, 2012). O projeto/seleção das ferramentas deve considerar o tipo de conhecimento e experiência do consumidor a ser integrado (ESTELLÉS-AROLAS; GONZÁLEZ-LADRÓN- DE-GUEVARA, 2012), e aspectos como frequência da interação e nível de profundidade dos inputs a serem captados (SAWHNEY; VERONA; PRANDELLI, 2005), nível de riqueza multimídia (FÜLLER et al., 2006), fase do processo de desenvolvimento do produto em que o

consumidor será envolvido (SAWHNEY; VERONA; PRANDELLI, 2005; FÜLLER; MATZLER, 2007), e nível de envolvimento (FÜLLER; MATZLER, 2007). Essas ferramentas podem ser utilizadas para captar inputs de indivíduos isoladamente, em interações díades com as ferramentas (FRANKE; KEINZ; SCHREIER, 2008), ou de grupos de indivíduos, quando o objetivo da empresa é a obtenção do conhecimento social (SAWHNEY; VERONA; PRANDELLI, 2005). O construto 3.2 representa o tipo de convocação, i.e., o modo como os consumidores são convidados para o envolvimento virtual no processo de desenvolvimento de produtos. Füller e Matzler (2007) indicam que a organização deve especificar claramente o perfil e o segmento de consumidores a serem envolvidos e, posteriormente, identificá-los e convidá-los em comunidades virtuais específicas. E-mails, banners, propagandas em sites, por exemplo, podem ser usados para a convocação e esta pode ser feita utilizando um membro intermediário de confiança da comunidade (FÜLLER et al., 2006). Romero e Molina (2011) referem que a convocação de consumidores deve ser antecedida de seleção de critérios adequados para identificar consumidores que, de fato, possam contribuir, e que possuam competências complementares. Estellés-Arolas e González-Ladrón-de-Guevará (2012), referem que a convocação pode ser aberta flexível, podendo ser enquadrada em uma das seguintes formas de convocação (WHITLA, 2009 apud ESTELLÉS-AROLAS; GONZALÉZ- LADRÓN-DE-GUEVARA, 2012): (1) convocação aberta a qualquer interessado a participar; e, (2) convocação aberta, porém com controle dos que podem participar, considerando expertise e conhecimento dos participantes. O construto 3.3, trigger, representa o desencadeador do processo, o motivador para a realização do envolvimento virtual do consumidor. Considerando que o processo de envolvimento virtual do consumidor resulta em uma aliança, uma rede colaborativa formada por organizações e pessoas, nesse contexto, o trigger pode ser referido como a realização de metas comuns ou compatíveis entre seus membros (CAMARINHA-MATOS; AFSARMANESH, 2008). Também o desenvolvimento de inovações (von HIPPEL, 2005), cocriação de valor (ROMERO; MOLINA, 2011) e a resolução de um problema (ESTELLÉS- AROLAS; GONZALÉZ-LADRÓN-DE-GUEVARA, 2012).

Conforme indicado pelo construto 3.1, para a realização do Envolvimento Virtual do Consumidor são utilizadas ferramentas. Na seção 2.2 são apresentadas ferramentas para EVC identificadas e descritas na literatura científica.

2.2. Ferramentas para viabilização do Envolvimento Virtual do Consumidor no PDP

As ferramentas para viabilização do Envolvimento Virtual do Consumidor no Processo de Desenvolvimento de Produtos podem ser definidas como ferramentas, métodos, técnicas e/ou mecanismos 2 que permitem a coleta sistemática e triagem das informações obtidas de consumidores para utilização no processo de desenvolvimento de produtos do tipo bens de consumo semiduráveis, cujas interações entre as entidades (i.e., consumidora e organizadora) sejam mediadas por computadores, utilizando a Internet. De acordo com a sistemática da Revisão Bibliográfica Estruturada, cujo Protocolo está no Apêndice A, foram identificadas 13 ferramentas para viabilização do Envolvimento Virtual do Consumidor no Processo de Desenvolvimento de Produtos. Na Tabela 1 são apresentadas as ferramentas e descritas tarefas e tipos de inputs requisitados dos consumidores durante o processo de Envolvimento Virtual do Consumidor, também, outputs gerados pela ferramenta para uso da entidade organizadora. Outras ferramentas para viabilização do Envolvimento Virtual do Consumidor são citadas na literatura científica, porém sem uma descrição ou detalhamento, o que impede caracterização adequada. Estas ferramentas são citadas nos trabalhos de Sawhney, Verona e Prandelli (2005), Prandelli, Verona e Raccagni (2006) e Ryzhkova (2012): “advisory panels”, “web-based idea markets”, “web-based patent markets”, “online survey”, “marketing intelligence services”, “mass customization of the product”, “web-based prototyping”, “virtual marketing testing”, “contact the firm’ option”, “feedback session/survey”, “suggestion box”, “complaint area”, “virtual community”, “formalized mechanisms of competition on new ideas”, “agreement area to manage”, “customer advisor programs”, “analysis of customer opinions”, “virtual concept test”, “focus group on line”, “mass customization of aesthetic attributes”, “mass customization of functional attributes”, “user patents for new products”, “open source mechanisms”, “design toolkits”, “virtual teams”, “virtual product test”, “market test”, “new product area”, “events”, “customized newsletter”, “virtual communities”, “viral marketing”, “customized assistance in product selection”, “mini web-sites”, “customized CRM”, “customized newsletter”.

2 É utilizada a acepção de tool, proposta pelo PMI (2008), na qual uma ferramenta é definida como “algo tangível, como um template ou programa de software, usado na realização de uma atividade para produzir um produto ou resultado”. 33

Tabela 1. Ferramentas para viabilização do Envolvimento Virtual do Consumidor no PDP (continua) Ferramenta Descrição da tarefa Fontes Virtual Concept Requisita avaliação de conceitos de produtos e indicação de Dahan e Srinivasan Testing desejo de compra, considerando uma variedade de preços (2000), Dahan e disponíveis. As avaliações feitas pelos consumidores são, Hauser (2002) e posteriormente, tratadas utilizando métodos de análise Hemetsberger e Godula conjunta. Gera um repositório indicando os conceitos (2007) preferidos por um determinado grupo de consumidores. Web-based Requisita avaliação comparativa do grau de importância Dahan e Hauser (2002) Conjoint Analysis entre características de produtos. As avaliações são tratadas e Toubia et al. (2003) utilizando análise conjunta do tipo fast polyhedral adaptive conjoint estimation. Gera um repositório indicando as características ou configurações de produtos mais importantes por um determinado grupo de consumidores. Securities Trading Requisita a avaliação de conceitos de produtos no formato Dahan e Hauser of Concepts de um mercado de ações, no qual os consumidores assumem (2002), Dahan et al. o papel de negociantes, compradores ou vendedores de (2011) e Dahan, conceitos de produtos (ações). O valor da avaliação equivale Soukhorouva e Spann ao preço atingido pelas ações, resultado da preferência (2010) agregada dos negociantes por uma ação específica. Gera um painel indicando os valores das ações de forma comparativa. Internet-based Requisita a inserção de ideias para comercialização e Bothos, Apostolou e Information avaliação (compra e venda) pelos participantes, como num Mentzas (2009; 2012) Aggregation mercado de ações. As ideias podem ser incluídas para Markets – IdeM comercialização automaticamente no jogo, ou triadas considerando análise prévia por especialistas, ou validação por meio de votos em processo de oferta pública. Depois de aceitas para comercialização, as ideias são negociadas com contratos de compra e venda padronizados, estabelecidos para indicar comprometimento na compra ou venda da idéia. O interesse, preferência, por uma determinada ideia determina o preço de contrato, refletindo seu potencial de sucesso. Gera um repositório com as ideias em comercialização e os preços (valores) de comercialização. User Design Requisita a configuração de produtos, ou conceitos de Dahan e Hauser produtos viáveis, a partir de peças pré-existentes. Os (2002), Randall, consumidores configuram os produtos observando as Terwiesch e Ulrich implicações que a adição de características tem no preço (2007) e Gologlu e final fictício dos produtos. Gera um repositório indicando as Mizrak (2011) características e configurações de produtos favoritas escolhidas pelos consumidores. Toolkits for User Requisita, de modo semelhante à ferramenta User Design, a von Hippel (2001), Innovation configuração de produtos. O produto configurado pelo Franke e Piller (2004) e consumidor pode ser manufaturado posteriormente pela Franke, Keinz e empresa e enviado ao consumidor. Essa ferramenta dispõe Schreier (2008) de uma biblioteca com produtos pré-configurados que auxiliam o consumidor fornecendo referências. Gera um repositório com as configurações de produtos consideradas ideais por um dado consumidor.

Tabela 1. Ferramentas para viabilização do Envolvimento Virtual do Consumidor no PDP (continuação) Ferramenta Descrição da tarefa Fontes Listening In Requisita do consumidor informações de diversas categorias Urban e Hauser (2004) em três interfaces. Na primeira interface, denominada virtual advisor, aplica questões objetivas para compreender as necessidades do consumidor. De acordo com as respostas obtidas, um produto pode ser sugerido ao consumidor, ou, caso haja inconsistências nas respostas, novas informações podem ser requeridas, na segunda interface, denominada virtual engineer. Nesta interface são aplicadas questões abertas e semiabertas mais detalhadas sobre as necessidades de um consumidor. Por fim, na terceira interface, design pallete, o usuário é requisitado a configurar seu próprio produto ideal. Gera um repositório contendo informações sobre as necessidades e preferências de consumidores, também descritas em termos de mockups. Evolutionary Requisita a realização de avaliações que indiquem a Lee e Chang (2010) Design System aderência a impressões afetivas de consumidores sobre produtos ou conceitos. As avaliações são utilizadas para o estabelecimento de regras relacionais entre impressões e características de produtos, utilizando métodos matemáticos e computacionais. Gera configurações ótimas de produtos considerando as avaliações realizadas previamente. Web Based Requisita que consumidores sugiram, comentem e Toubia (2006) Asynchronous questionem ideias, como uma página de fórum que inclui um Ideation mecanismo de recompensa para usuários, de acordo com a popularidade das ideias sugeridas. A ferramenta é baseada nos conceitos de geração de ideias colaborativa, bibliometria e teoria do contrato. Na interface da ferramenta, usuários publicam ideias novas ou complementares, de maneira assíncrona e anônima. Há o papel de mediador, com o poder para eliminar o usuário trapaceiro ou fraudulento. Gera um repositório com uma lista de ideias. Information Pump Requisita a realização de descrições extensivas de Dahan e Hauser (2002) impressões de consumidores sobre determinado conceito de e Matthews e Chesters produto, ou produto existente. Para isso, a ferramenta provê (2006) uma tarefa na qual há três papéis: o encoder, o decoder e o dummy. O encoder e o decoder visualizam uma imagem de produto, enquanto o dummy, não. O encoder faz uma afirmação sobre a imagem. O decoder e o dummy devem indicar se a afirmação é falsa ou verdadeira, e o grau de confidência. Encoders são recompensados por fazer afirmações não redundantes, e pela baixa confidência das respostas de dummys relativamente às de decoders. Gera uma lista de afirmações que adicionam uma diferente perspectiva sobre o conceito do produto analisado. Toolkits for Idea Requisita, em um espaço similar a um fórum, o envio de Piller e Walcher (2006) Competitions ideias de produtos originais, ou melhoria de ideias de outros consumidores. A ferramenta provê em sua interface estímulos para fomentar a criatividade dos usuários, tais como exemplos de cenários futuros, e esboços de prováveis soluções de produtos. Gera um repositório com as ideias fornecidas pelos consumidores que são, posteriormente, selecionadas por análise qualitativa, pela equipe de projetos.

Tabela 1. Ferramentas para viabilização do Envolvimento Virtual do Consumidor no PDP (conclusão) Ferramenta Descrição da tarefa Fontes Video-based Requisita o intercâmbio de vídeos com propostas de Angehrn, Luccini e Connection Tool – inovações entre membros de uma determinada comunidade Maxwell (2009) Innotube virtual, estabelecendo conexão entre os usuários. Os vídeos compartilhados podem ser: (1) vídeos que apresentem conteúdo relacionado à inovação; (2) vídeos com propostas de inovações feitas por usuários; e, (3) vídeos com apresentação do perfil do usuário, indicando área de trabalho, habilidades, ou expertise. Gera um repositório com vídeos de e sobre inovações. Meaning of Requisita a realização de três tarefas. A primeira tarefa Karana, Hekkert e Materials Tool consiste na seleção de um material pelo usuário que Kandachar (2010) corresponda a uma impressão afetiva. A segunda tarefa consiste na provisão de uma imagem do material selecionado, ou de uma aplicação do material em um produto. A terceira tarefa requisita a avaliação do material selecionado, utilizando questionário semi-aberto e uma escala sensorial, para a geração de painéis semânticos. Gera painéis semânticos que auxiliam na seleção de materiais para o design de produto

Com a intenção de identificar as limitações, pontos fortes e pontos fracos, e conseqüentemente apontar lacunas, das ferramentas apresentadas na Tabela 1, foi elaborada uma classificação para auxiliar na análise, Apêndice B. Utiliza diretamente, ou de forma adaptada, classificações obtidas nos trabalhos de Kaulio (1998), Sawhaney, Verona e Prandelli (2005), Piller e Walcher (2006), Füller e Matzler (2007) e Bullinger e Moeslein (2010). Está dividida em três dimensões, de acordo com a natureza: (1) natureza do propósito; (2) natureza do input; e, (3) natureza do output. A primeira dimensão, relacionada à natureza do propósito, é constituída por três aspectos que indicam a intenção em termos do Envolvimento Virtual do Consumidor. O primeiro aspecto (D.1.1) relacionado à dimensão natureza do propósito classifica o nível de envolvimento proporcionado pela ferramenta. O nível de envolvimento é definido por Kaulio (1998) em: (a) design for, ou envolvimento passivo, quando o consumidor não participa efetivamente do processo de desenvolvimento de produtos, i.e., a equipe de projeto utiliza dados sobre usuários obtidos em pesquisas de mercado, ou fontes de dados secundárias; (b) design with, quando o consumidor pode opinar sobre propostas de soluções e conceitos de produtos desenvolvidos, ou em fase de desenvolvimento, pela equipe de projeto de produto; e, (c) design by, ou envolvimento ativo, quando o consumidor é envolvido ativamente no processo de desenvolvimento de produto, sugerindo propostas de ideias, novos conceitos, participando como integrante da equipe de projetos. Na Tabela 2 é mostrada a classificação das ferramentas para o aspecto nível de envolvimento (D.1.1).

Tabela 2. Classificação das ferramentas para o aspecto nível de envolvimento (D.1.1) Ferramentas (a) design for (b) design with (c) design by Virtual Concept Testing X Web-based Conjoint Analysis X Securities Trading of Concepts X Internet-based Information Aggregation Markets X X User Design X Toolkits for User Innovation X Listening In X X Evolutionary Design System X Web-based Asynchronous Ideation X Information Pump X Toolkits for Idea Competitions X Video-based Connection Tool X Meaning of Materials Tool X

A ferramenta que permite o envolvimento do tipo design for é a Listening in. Esta ferramenta requisita do consumidor a indicação das necessidades e expectativas com relação a um tipo de produto, respondendo questionários, nas interfaces virtual advisor e virtual engineer. As ferramentas que permitem o envolvimento do tipo design with são: (a) Virtual Concept Testing e Web-based Conjoint Analysis, que requisitam do consumidor uma avaliação de conceitos de produtos utilizando avaliações numéricas, de forma a indicar quais configurações de determinado produto são desejáveis e conduziriam à compra; (b) Securities Trading of Concepts e Internet-based Information Aggregation Markets, que requisitam do consumidor uma avaliação a partir da intenção de compra e venda das ações (i.e., conceitos de produtos); (c) Evolutionary Design System e Meaning of Materials Tool, que requisitam do consumidor uma avaliação das impressões, i.e., resposta afetiva, que um determinado conceito de produto ou produto, e material, respectivamente, ocasiona. As ferramentas que permitem o envolvimento do tipo design by são: (a) Information Pump, que requisita do consumidor a realização de descrição textual de conceitos do produto para indicar impressões evocadas pelos objetos de avaliação; (b) User Design, Toolkits for User Innovation e Listening In, que requisitam dos consumidores a elaboração de propostas de produtos ideais, utilizando blocos estruturais previamente fornecidos, i.e., toolkits; (c) Internet-based Information Aggregation Markets, Web-Based Asynchronous Ideation, Toolkits for Idea Competitions e Video-based Connection Tool, que requisitam dos consumidores a proposição de ideias de produtos, seja na forma textual, de esboços ou vídeos. O segundo aspecto relacionado à dimensão natureza do propósito classifica a frequência do envolvimento proporcionado pela ferramenta. A frequência do envolvimento é distinguida por Füller e Matzler (2007) em: (a) envolvimento pontual, quando ocasiona o envolvimento do consumidor para a realização de uma tarefa única, restrita temporalmente,

i.e., com início e término pré-definidos; e, (b) envolvimento contínuo, quando ocasiona o envolvimento do consumidor para a realização de uma ou mais tarefas, por um prazo não previamente delimitado, permitindo o contato contínuo entre consumidor e empresa/equipe de projeto no processo de desenvolvimento de produtos. Na Tabela 3 é mostrada a classificação das ferramentas para o aspecto frequência do envolvimento (D.1.2).

Tabela 3. Classificação das ferramentas para o aspecto frequência do envolvimento (D.1.2) Ferramentas (a) pontual (b) contínuo Virtual Concept Testing X Web-based Conjoint Analysis X Securities Trading of Concepts X Internet-based Information Aggregation Markets X User Design X Toolkits for User Innovation X Listening In X Evolutionary Design System X Web-based Asynchronous Ideation X Information Pump X Toolkits for Idea Competitions X Video-based Connection Tool X Meaning of Materials Tool X

As ferramentas que propiciam o envolvimento pontual são: (a) Virtual Concept Testing, Web-based Conjoint Analysis, Evolutionary Design System, Meaning of Material Tool e Securities Trading of Concepts, que requisitam a avaliação de conceitos de produtos previamente fornecidos, indicando o nível de preferência ou aderência em valores numéricos; (b) User Design, Toolkits for User Innovation, Listening In e Information Pump, que requisitam do consumidor a geração de configurações de produtos ou descrições de produtos, no caso da ferramenta Information Pump, em um jogo. Estas ferramentas possuem início e término bem definidos, embora a duração da tarefa possa variar entre consumidores. As ferramentas que propiciam o envolvimento contínuo são: (a) Internet-based Information Aggregation, que requisita a proposição de novas ideias aos consumidores, para comercialização no mercado virtual; (b) Web-based Asychronous Ideation e Toolkits for Idea Competitions, que requisitam a proposição, ou complementação, de ideias na forma textual ou de esboços em uma espécie de fórum virtual; e, (c) Video-based Connection Tool, que requisita a proposição e compartilhamento de ideias descritas em vídeos. A duração das tarefas providas por essas ferramentas é determinada pela entidade organizadora do envolvimento. O terceiro aspecto relacionado à dimensão natureza do propósito classifica a fase do Processo de Desenvolvimento de Produtos em que a ferramenta propicia o envolvimento do consumidor. As fases do Processo de Desenvolvimento do Produto em que o envolvimento

pode ocorrer são, utilizando como base as fases apresentadas em Füller e Matzler (2007): (a) geração de ideias e conceitos (front-end); (b) projeto e engenharia; e, (c) teste e lançamento (back-end). Na Tabela 4 é mostrada a classificação das ferramentas para o aspecto fase(s) do PDP em que permite o envolvimento (D.1.3).

Tabela 4. Classificação das ferramentas para o aspecto fase(s) do PDP em que permite o envolvimento (D.1.3) (a) front-end (b) projeto e (c) back-end Ferramentas engenharia Virtual Concept Testing X Web-based Conjoint Analysis X Securities Trading of Concepts X Internet-based Information Aggregation Markets X User Design X Toolkits for User Innovation X Listening In X X Evolutionary Design System X Web-based Asynchronous Ideation X Information Pump X Toolkits for Idea Competitions X Video-based Connection Tool X Meaning of Materials Tool X

As ferramentas aplicáveis à fase de geração de ideias e conceitos (front-end) no Processo de Desenvolvimento de Produtos são: (a) Internet-based Information Aggregation Markets, Listening In, Web-based Asynchronous Ideation, Toolkits for Idea Competitions, Video-based Connection Tool, que requisitam do consumidor o elaboração de ideias ou informações sobre preferências, independente do nível de maturação, que podem ser utilizadas para originar novos projetos de produtos. As ferramentas aplicáveis à fase de projeto e engenharia no PDP são: (a) Virtual Concept Testing, Web-based Conjoint Analysis, Securities Trading of Concepts e Evolutionary Design System, que requisitam avaliações de consumidores sobre ideias e conceitos de produtos previamente desenvolvidos; (b) User Design, Listening in e Toolkits for User Innovation, que requisita a configuração de produtos, utilizando módulos previamente concebidos pela equipe de projetos, para a indicação de características e configurações de produtos preferenciais; (c) Information Pump, que requisita a descrição de conceitos de produtos previamente desenvolvidos para a determinação das impressões evocadas nos consumidores; e, (d) Meaning of Materials Tool, que requisitam do consumidor avaliações sobre impressões afetivas de materiais para apoiar a seleção de materiais no projeto do produto. Não houve ferramenta aplicável, ou cuja literatura de referência indicasse aplicação, à fase de teste e lançamento (back-end) no PDP. A segunda dimensão definida na taxonomia para ferramentas está relacionada à natureza do input. É constituída por dois aspectos que indicam o tipo de informação de

entrada fornecida pelo consumidor durante o processo de envolvimento virtual. O primeiro aspecto relacionado à dimensão natureza do input classifica o nível de elaboração da tarefa a ser realizada pelo consumidor na utilização da interface da ferramenta que propicia o envolvimento virtual. Os autores Piller e Walcher (2006) definem o nível de elaboração da tarefa como a qualidade do input a ser fornecido pelo consumidor. É utilizada uma classificação em três tipos: (a) descrição de ideias/conceitos/impressões; (b) configuração de produtos; e, (c) avaliação utilizando escalas. Na Tabela 5 é mostrada a classificação das ferramentas para o aspecto nível de elaboração da tarefa (D.2.1). Tabela 5. Classificação das ferramentas para o aspecto nível de elaboração da tarefa (D.2.1) (a) geração de (b) (c) avaliação Ferramentas ideias/conceit configuração utilizando os/ impressões de produtos escalas Virtual Concept Testing X Web-based Conjoint Analysis X Securities Trading of Concepts X Internet-based Information Aggregation Markets X X User Design X Toolkits for User Innovation X Listening In X X Evolutionary Design System X Web-based Asynchronous Ideation X Information Pump X Toolkits for Idea Competitions X Video-based Connection Tool X Meaning of Materials Tool X

As ferramentas que requisitam tarefas do tipo descrição de ideias/conceitos/impressões são: (a) Internet-based Information Aggregation Markets, Web- based Asynchronous Ideation, Toolkist for Idea Competitions e Video-based Connection Tool, que requisitam a submissão de ideais descritas em textos, esboços ou vídeos; e, (b) Information Pump, que requisita a descrição de impressões, textualmente, sobre conceitos de produtos pré-definidos. As ferramentas que requisitam tarefas do tipo configuração de produtos são: (a) User Design e Toolkits for User Innovation, que requisitam a configuração de produtos utilizando peças e features pré-definidas; e, (b) Listening In, que requisita a configuração de produtos no módulo design pallete, similar às ferramentas User Design e Toolkits for User Innovation. As ferramentas que requisitam tarefas do tipo avaliação utilizando escalas são: (a) Virtual Concept Testing e Web-based Conjoint Analysis, que requisitam do consumidor a avaliação do nível de interesse a configurações pré-definidas; (b) Internet-based Information Aggregation Markets e Securities Trading of Concepts, que requisita a compra e venda de ideias e conceitos, considerando o grau de importância desses para um dado grupo de consumidores; e, (c) Evolutionary Design System e Meaning of

Materials Tool, que requisitam uma avaliação utilizando escala numérica, indicativa do grau de aderência a um conjunto de possíveis respostas afetivas. O segundo aspecto relacionado à dimensão natureza do input classifica o nível de especificidade da tarefa a ser realizada pelo consumidor na utilização da interface da ferramenta que propicia o envolvimento virtual. Piller e Walcher (2006) definem o nível de especificidade da tarefa como o grau de liberdade das soluções permitido pelo problema apresentado pela entidade organizadora do processo de Envolvimento Virtual do Consumidor. São definidos dois níveis de especificidade da tarefa por Piller e Walcher (2006): (a) tarefa aberta, ou de baixa especificidade; (b) tarefa específica, ou de alta especificidade. Na Tabela 6 é mostrada a classificação das ferramentas para o aspecto especificidade da tarefa (D.2.2). Tabela 6. Classificação das ferramentas para o aspecto especificidade da tarefa (D.2.2) Ferramentas (a) tarefa aberta (b) tarefa específica Virtual Concept Testing X Web-based Conjoint Analysis X Securities Trading of Concepts X Internet-based Information Aggregation Markets X X User Design X Toolkits for User Innovation X Listening In X X Evolutionary Design System X Web-based Asynchronous Ideation X Information Pump X Toolkits for Idea Competitions X Video-based Connection Tool X Meaning of Materials Tool X X

As ferramentas que requisitam tarefa(s) aberta(s) são: Internet-based Information Aggregation, Listening In, Web-based Asynchronous Ideation, Information Pump, Toolkits for Idea Competition, Video-based Connection Tool, Meaning of Material. Essas ferramentas requisitam dos consumidores a elaboração de ideias e/ou conceitos de produtos, em esboços, textos e vídeos, por exemplo, com base estrita no repertório pessoal não restritos a módulos de produtos pré-definidos. Na ferramenta Internet-based Information Aggregation esta tarefa ocorre no processo de descrição e compartilhamento de ideias de produtos para negociação no mercado virtual. Na ferramenta Listening In, esta tarefa ocorre na interface virtual engineer, em que requisita a descrição de necessidades não atendidas em termos de um produto específico. Na ferramenta Meaning of Material, esta tarefa requisita a seleção e envio de imagens de materiais, nas primeira e segunda tarefas. As tarefas que requisitam tarefa(s) específica(s) são: (a) Virtual Concept Testing, Web-based Conjoint Analysis Securities, Trading of Concepts e Internet-based Information Aggregation Markets, requisitam a realização de ranking entre produtos e/ou conceitos de

produtos utilizando a seleção de produtos e/ou conceitos considerados ideais ou avaliando monetariamente; (b) Meaning of Materials Tool e Evolutionary Design System, requisitam a avaliação de conceitos de produtos e produtos utilizando escalas sensoriais ou de diferencial semântico; (c) User Design, Toolkits for User Innovations e Listening In, requisitam dos consumidores a composição de um produto ideal, a partir de uma quantidade limitada de blocos estruturais, features e/ou partes de produtos, previamente fornecidos pelo jogo. Na ferramenta Listening In, esta tarefa ocorre na interface design pallete. A terceira dimensão definida na taxonomia para ferramentas está relacionada à natureza do output. É constituída por dois aspectos que indicam o tipo de informação de saída fornecida pela ferramenta à equipe de projeto de produtos, como resultado do processo das informações fornecidas pelos consumidores. O primeiro aspecto relacionado à dimensão natureza do output classifica o nível de conceptualização do output gerado pela ferramenta, como resultado do processamento dos inputs fornecidos pelos consumidores, para utilização no Processo de Desenvolvimento de Produtos pela equipe de projeto de produtos. São definidos os seguintes níveis de conceptualização: (a) descrição de ideias/conceitos/impressões; (b) produtos configurados/protótipos virtuais; e, (c) ranking/lista de preferências dos consumidores. Na Tabela 7 é mostrada a classificação das ferramentas para o aspecto nível de conceptualização do output gerado pela ferramenta (D.3.1).

Tabela 7. Classificação das ferramentas para o aspecto nível de conceptualização do output (D.3.1) (a) descrição de (b) produtos (c) ideias/conceitos/ configurados ranking/lista Ferramentas impressões de preferências Virtual Concept Testing X Web-based Conjoint Analysis X Securities Trading of Concepts X Internet-based Information Aggregation Markets X X User Design X Toolkits for User Innovation X Listening In X X Evolutionary Design System X Web-based Asynchronous Ideation X Information Pump X Toolkits for Idea Competitions X Video-based Connection Tool X Meaning of Materials Tool X

As ferramentas que geram output do tipo descrição de ideias/conceitos/impressões são: (a) Toolkits for Idea Competitions, Web-based Asynchronous Ideation e Internet-based Information Aggregation Markets, apresentam um repositório com as ideias e conceitos

gerados pelos consumidores; (b) Video-based Connection Tool, apresenta um conjunto de vídeos gerados pelos consumidores/usuários agrupados por tags; e, (c) Information Pump, apresenta uma lista de descrições e impressões sobre um determinado conceito de produto. As ferramentas que geram output do tipo produtos configurados/protótipos virtuais são: (a) User Design, Toolkits for User Innovation e Listening In, apresentam configurações, mockups, gerados pelos consumidores; (b) Evolutionary Design System, apresenta configurações de produtos ótimas, com base nas impressões captadas de consumidores. As ferramentas que geram output do tipo ranking/lista de preferências dos consumidores são: (a) Internet-based Information Aggregation Markets e Securities Trading of Concepts, apresentam ranking das ideias e conceitos de produtos considerando os valores obtidos no mercado virtual; Listening In, apresenta, como resultado das informações inseridas na interface virtual engineer, lista de necessidades e interesses de consumidores como resultado das respostas ao questionário; (c) Virtual Concept Testing e Web-based Conjoint Analysis, apresentam agrupamentos de características de produtos por nível de interesse dos consumidores, utilizando métodos como análise conjunta; e, (d) Meaning of Materials Tool, apresenta painéis contendo uma coleção de fotos de materiais, aplicados ou não, de acordo com as preferências e impressões que podem evocar para um dado grupo de consumidores. O segundo aspecto relacionado à dimensão natureza do output classifica o nível de especificidade da tarefa para utilização das informações pela equipe de projeto de produtos, i.e., a especificidade da tarefa requerida para que as informações se tornem aplicáveis ao PDP. Adaptando-se os níveis de especificidade propostos em Piller e Walcher (2006), são estabelecidos três níveis de especificidade: (a) tarefa aberta ou de baixa especificidade; (b) tarefa específica ou de alta especificidade; e, (c) tarefa nula. Na Tabela 8 é mostrada a classificação das ferramentas para o aspecto nível de especificidade da tarefa para utilização das informações (D.3.2).

Tabela 8. Classificação das ferramentas para o aspecto nível de especificidade da tarefa para utilização das informações (D.3.2) (a) tarefa (b) tarefa (c) tarefa nula Ferramentas aberta específica Virtual Concept Testing X Web-based Conjoint Analysis X Securities Trading of Concepts X Internet-based Information Aggregation Markets X User Design X Toolkits for User Innovation X Listening In X X Evolutionary Design System X Web-based Asynchronous Ideation X Information Pump X Toolkits for Idea Competitions X Video-based Connection Tool X Meaning of Materials Tool X

As ferramentas que requisitam tarefa aberta para a utilização das informações de saída são: Internet-based Information Aggregation Markets, Web-based Asynchronous Ideation, Information Pump, Toolkits for Idea Competitions, Video-based Connection Tool, requisitam uma análise qualitativa para a seleção das melhores ideias, conceitos de produtos e outras informações consideradas importantes; e (b) Listening In, requisita análise qualitativa das informações obtidas dos questionários com questões semiabertas. As ferramentas que requisitam tarefa específica para a utilização das informações de saída são: User Design, Toolkits for User Innovation e Listening In, requisitam a realização de análise quantitativa dos dados de saída para a identificação de quais características ou configurações de produtos são preferidas pelos consumidores. As ferramentas que requisitam tarefa nula para a utilização das informações de saída são: (a) Virtual Concept Testing, Web-based Conjoint Analysis, Securities Trading of Concepts, Evolutionary Design System e Meaning of Materials Tool, possuem algoritmos para o tratamento quantitativo e geração de informações para o uso imediato pela equipe de projetos.

2.3. Pontos fortes, fracos e limitações das ferramentas para o Envolvimento Virtual do Consumidor no PDP

Da classificação das ferramentas, realizada na seção 2.2, é possível analisar sob três principais enfoques. O primeiro enfoque de análise está relacionado ao nível de envolvimento do consumidor propiciado pelas ferramentas. No que concerne ao primeiro aspecto da primeira dimensão (D.1.1), que caracteriza o nível de envolvimento, foi verificada a existência de, comparativamente, uma proporção maior de ferramentas que permitem o envolvimento nos níveis design with (6 ferramentas) e design by (8 ferramentas), a exemplo

das ferramentas Virtual Concept Testing e Toolkits for User Competitions, respectivamente, o que pode ser considerando um ponto forte, num primeiro momento. No entanto, esses níveis de envolvimento, numa observação mais atenta, possuem limitações, de acordo com o nível de elaboração e especificidade da(s) tarefa(s) requisitada(s) pela ferramenta, primeiro e segundo aspectos da segunda dimensão (D.2.1 e D.2.2). Uma limitação encontra-se nas ferramentas que propiciam o envolvimento no nível design with. É o caso das ferramentas Virtual Concept Testing, Web-based Conjoint Analysis, Securities Trading of Concepts, Internet-based Information Aggregation Markets, Evolutionary Design System e Meaning of Materials Tool. Essas ferramentas, embora permitam um nível intermediário de envolvimento, de acordo com a classificação de Kaulio (1998), requisitam tarefa(s) de alta especificidade, i.e., avaliação utilizando escalas ou valores numéricos. Dessa forma, o campo de ação do consumidor é restringido à avaliação de características e features de produtos ou conceitos de produtos elaborados previamente pela equipe de projetos, para a geração de rankings. As avaliações desse tipo possuem como ponto fraco a baixa requisição do repertório criativo e técnico do consumidor, porém ao apresentarem gráficos e imagens que aumentam a interatividade, facilitam o envolvimento de consumidores comuns, ordinary users, i.e., que possuem menor grau de expertise sobre o produto, no Processo de Desenvolvimento de Produtos. Uma segunda limitação encontra-se em ferramentas que requisitam tarefa(s) de alta especificidade e que propiciam o envolvimento no nível design by. É caso dos configuradores de produtos, tais como User Design, Toolkits for User Innovation e Listening In. Essas ferramentas, apesar de classificadas como ocasionadoras do mais alto nível de envolvimento, envolvimento ativo, de acordo com a classificação de Kaulio (1998), também, como as primeiras, restringem o campo de ação do consumidor a configurações de produtos elaborados previamente pela equipe de projetos. Diferentemente das ferramentas classificadas em design with, no entanto, proporcionam a tarefa de montagem que é de elaboração, requisitando um pouco mais do repertório criativo e técnico do consumidor, embora as configurações finais sejam previstas pela ferramenta. Essas ferramentas, tanto as que permitem o envolvimento design with quanto design by, são aplicadas, principalmente, à fase de projeto e engenharia, conforme terceiro aspecto da primeira dimensão (D.1.3), à exceção da ferramenta Internet-based Information Aggregation Markets3, limitando o envolvimento de consumidores com baixo nível de expertise, ordinary users, a avaliação e manipulação de um

3 Esta ferramenta requisita inputs do tipo avaliativo, mas também permite a submissão de ideias dos consumidores para avaliação, para uso na fase de geração de ideias (front-end) do PDP. 45

conjunto de ideias e conceitos já delimitados pela equipe de projetos. Por outro lado, ocorrem limitações em ferramentas que requisitam tarefa(s) de baixa especificidade, também classificadas como apoiadoras do nível de envolvimento design by, à exceção da ferramenta Information Pump 4 . É o caso das ferramentas Internet-based Information Aggregation Markets, Web-based Asynchronous Ideation, Toolkits for Idea Competitions e Video-based Connection Tool. Essas ferramentas requisitam a descrição de ideias ou conceitos de produtos, exigindo da criatividade e repertório do consumidor e permitindo o envolvimento do consumidor em um nível elevado de envolvimento. Essas ferramentas, no entanto, limitam por exigirem um maior nível de expertise do consumidor, normalmente presentes em lead users (von HIPPEL, 1986) ou product experts (OZER, 2009), o que dificulta/reduz a participação de consumidores comuns, ordinary users. Essas ferramentas são aplicadas, principalmente, à fase de geração de ideias e conceitos (front-end) do Processo de Desenvolvimento de Produtos, conforme classifica o terceiro aspecto da primeira dimensão (D.1.3), utilizando os consumidores como fontes de ideias, conforme a acepção de Nambisan (2002). Finalmente, a única ferramenta classificada como apoiadora do nível de envolvimento design for, o mais baixo nível de envolvimento, de acordo com a classificação de Kaulio (1998), requisita tarefa(s) de baixa especificidade, geração de descrições de necessidades e interesses sobre um produto, na resposta a um questionário nas interfaces virtual advisor e virtual engineer. Os inputs obtidos são utilizados na fase de geração de ideias e conceitos (front-end). O segundo enfoque de análise está relacionado à continuidade do envolvimento do consumidor propiciado pelas ferramentas. No que concerne ao segundo aspecto da primeira dimensão (D.1.2), que caracteriza a frequência do envolvimento ocasionado pelas ferramentas, foram identificadas ferramentas que propiciam o envolvimento pontual (9 ferramentas) e contínuo (4 ferramentas). As ferramentas que permitem o envolvimento contínuo são estruturadas, normalmente, como um fórum no qual o consumidor pode inserir novas ideias e conceitos de produtos continuamente, até que a equipe de projetos encerre a interação. É o caso das ferramentas Internet-based Information Aggregation Markets, Web-based Asynchronous Ideation, Toolkits for Idea Competitions e Video-based Connection Tool. Essas ferramentas

4 Esta ferramenta requisita inputs do tipo geração de impressões textuais sobre conceitos de produtos previamente elaborados pela equipe de projetos para auxiliar na fase de projeto e engenharia do PDP, no entendimento das impressões evocadas por um conceito de produto no consumidor. 46

requisitam do consumidor tarefas de baixa especificidade (D.2.2), com nível de elaboração do tipo geração de ideias, conceitos e impressões (D.2.1), sendo mais recomendadas a product experts ou lead users. Geram como output um conjunto de ideias, conceitos de produtos ou impressões, primeiro aspecto da terceira dimensão (D.3.1), que podem ser avaliados ou complementados por outros consumidores, como ocorre em fóruns. Apresentam como ponto forte a coleta continuada dos inputs dos consumidores, que podem ser aplicados às fases iniciais do PDP. Porém, é gerado um repositório com um volume elevado de informações qualitativas que podem ser difíceis de selecionar, à exceção da ferramenta Internet-based Information Aggregation Markets, cuja avaliação é feita pelos próprios consumidores. Ainda assim, informações, como ideias e conceitos de produtos, descritas por consumidores, são “blocos” grandes demais e podem ser de difícil tradução para uso no projeto de um produto. As ferramentas que permitem o envolvimento pontual requisitam a realização de uma tarefa com início e término bem definido, a qual é finalizada depois do fornecimento de inputs pelo consumidor, i.e., de realizado o “jogo”. É o caso das ferramentas Virtual Concept Testing, Web-based Conjoint Analysis, Securities Trading of Concepts, User Design, Toolkits for User Innovation, Listening In, Evolutionary Design System, Information Pump e Meaning of Materials Tool. Essas ferramentas requisitam do consumidor tarefas de alta especificidade (D.2.2), com nível de elaboração do tipo avaliação com escalas numéricas ou configuração de produtos (D.2.1), à exceção da ferramenta Information Pump5, sendo mais recomendadas a ordinary users. Geram como output rankings de características, features, ideias ou conceitos de produtos, ou produtos configurados (i.e., mockups digitais), dimensão (D.3.1), indicando preferências, interesses e impressões para a equipe de projetos de modo sucinto e objetivo. Essas ferramentas apresentam como ponto fraco a limitação das informações coletadas à moda e tendência existente no momento da obtenção dos inputs de consumidores. É notável que tanto as ferramentas que permitem o envolvimento contínuo quanto o pontual requisitam uma ação consciente e direta do consumidor para a obtenção de inputs do consumidor. É um ponto fraco, pois tem como pré-requisito a disposição e disponibilidade em participar do consumidor, também, a existência de mecanismos de motivação, de modo que criem/aumentem o interesse do consumidor no envolvimento virtual para o fornecimento de informações úteis ao processo de desenvolvimento de produtos. Esses mecanismos de motivação, que proporcionam a satisfação de necessidades tais como reconhecimento social, monetária, curiosidade e entretenimento, podem não ser suficientes para aumentar a

5 A ferramenta Information Pump obtém como inputs e geram como outputs descrições de impressões sobre conceitos de produtos. 47

persistência e frequência de envolvimento do ordinary customer, como ocorre com o lead user ou o product expert. O terceiro enfoque de análise está relacionado à facilidade de utilização dos dados gerados pela ferramenta, output, considerando a obtenção de grande volume de dados, para aplicação no processo de desenvolvimento de produtos pela equipe de projetos. São utilizados os primeiro e segundo aspectos da terceira dimensão, (D.3.1) e (D.3.2). As ferramentas que apresentam como informações de saída, output, um nível de conceptualização do tipo descrição de ideias, conceitos e impressões de consumidores, apresentam como ponto forte a possibilidade de mostrar exatamente o que o consumidor desejou expressar, nos termos do consumidor. É o caso das ferramentas Internet-based Information Aggregation Markets, Web-based Asynchronous Ideation, Information Pump, Toolkits for Idea Competitions, Video-based Connection Tool e Listening In (nas interfaces virtual advisor e virtual engineer). Contudo, este tipo de representação pode estar repleto de subjetividade informações em diferentes níveis de maturidade e qualidade e, conseguintemente, podem gerar ambigüidade dificultando a interpretação pela equipe de projetos. Esses outputs requisitam, portanto, tarefa de baixa especificidade da equipe de projetos, ou seja, a tradução de informações, o que é uma barreira para a implementação imediata das informações no PDP. Quando captadas de uma grande audiência, dificulta a identificação de prioridades e definição de grau de importância dos dados captados, requisitando tempo para a realização da triagem e, conseqüentemente, impedindo a aplicação imediata no processo de desenvolvimento de produtos. Esse tipo de empecilho, também, interfere na obtenção de informações distribuídas no horizonte de tempo, que ocorre nas ferramentas que permitem o envolvimento contínuo, pois se torna difícil monitorar as preferências e interesses dos consumidores ao longo do tempo. As ferramentas que apresentam como output níveis de conceptualização do tipo produtos configurados ou ranking/listas de necessidades, apresentam como ponto forte a possibilidade de mostrar algumas preferências e interesses dos consumidores objetivamente. Essas ferramentas podem ser classificadas em três principais grupos. O primeiro grupo compreende as ferramentas cujos outputs são produtos configurados. É o caso das ferramentas User Design, Toolkits for User Innovation e Listening In (interface design pallete). O segundo grupo compreende as ferramentas cujos outputs são ranking de características, features ou conceitos de produtos. É o caso das ferramentas Virtual Concept Testing, Web-based Conjoint Analysis e Securities Trading of Concepts. O terceiro grupo é um híbrido dos anteriores e compreende as ferramentas cujos outputs são configurações de produtos ou outros tipos de

configurações, considerando a otimização das informações de entrada, que são obtidas de forma objetiva. É o caso das ferramentas Evolutionary Design System e Meaning of Materials Tool. Os dois últimos grupos possuem como ponto forte a utilização de algoritmos para o tratamento dos dados de entrada dos consumidores, assim é possível a leitura das principais informações captadas de consumidores em uma síntese, facilitando a absorção dessas no Processo de Desenvolvimento de Produtos. Entretanto, assim como as ferramentas do primeiro grupo, estão limitadas temporalmente, já que as informações são coletadas considerando o envolvimento pontual do consumidor e utilizam uma base de dados com conceitos de produtos previamente cadastrados6 (i.e., estática). Isto dificulta o monitoramento da evolução nas preferências e interesses dos consumidores. Diante da análise das ferramentas, é possível assimilar, para fins de embasamento e justificativa da proposta realizada nesta Tese, como principais problemas e desafios a serem superados em termos de ferramentas: (1) o envolvimento do consumidor comum (i.e., ordinary user) no Processo de Desenvolvimento de Produtos, considerando suas informações sobre preferências e interesses, sem a limitação que ocorre no envolvimento do tipo design with, que ao consumidor atribui o papel de avaliador de ideias e conceitos de produtos, o que é importante, mas não é o ideal para aplicações nas fases iniciais do PDP, cujas informações sobre o(s) produto(s) que se pretende desenvolver são reduzidas e poderiam ser direcionadas por fontes oriundas de grandes grupos de consumidores distribuídos geograficamente; (2) o aumento da persistência e frequência do envolvimento do consumidor comum que, diferente dos consumidores do tipo lead users ou expert users cujo interesse estaria vinculado a mecanismos de motivação, enfrentam problemas de disposição e disponibilidade para participar de um processo de envolvimento contínuo; e, (3) o fornecimento de informações tratadas, sintéticas, para o uso imediato pela equipe de projetos, com a intenção de torná-las facilmente absorvíveis e aplicáveis ao Processo de Desenvolvimento de Produtos, em uma base contínua, especialmente para o caso de informações aplicáveis às fases iniciais do PDP (front-end).

6 À exceção da ferramenta Meaning of MaterialsTool, cuja base de dados com materiais é escolhida pelo consumidor, porém o grau de atividade requisitado limita o tipo de consumidor a ser envolvido. 49

3. ENGENHARIA KANSEI

Este capítulo apresenta os conceitos e definições fundamentais sobre a metodologia Engenharia Kansei, com especial enfoque à Engenharia Kansei Tipo II, referida também como Sistema de Engenharia Kansei, na seção 3.1. Descreve procedimentos e recomendações seminais para a definição do campo das propriedades nos Sistemas de Engenharia Kansei propostos na literatura, na seção 3.2. Apresenta, na seção 3.3, algumas fontes de erro no processo de definição do campo das propriedades, considerando os procedimentos e recomendações teóricos e aplicados em experimentos de Sistemas de Engenharia Kansei identificados em revisão estruturada.

3.1. Fundamentos da Engenharia Kansei

De acordo com Lèvy (2013a; 2013b), a pesquisa em Kansei pode ser dividida nas disciplinas Ciência Kansei, DesignKansei e Engenharia Kansei. A disciplina Ciência Kansei preocupa-se com o estudo dos processos cognitivos experimentados por consumidores durante a seleção de produtos, considerando suas preferências. A disciplina DesignKansei preocupa-se com o desenvolvimento de artefatos, utilizando práticas da área de Design, que evoquem emoções durante a interação com o consumidor. A disciplina Engenharia Kansei preocupa-se com a estruturação de métodos e ferramentas que integram conhecimentos de diferentes áreas de pesquisa, com o propósito de desenvolver produtos mais alinhados às preferências de consumidores. Kansei é uma palavra de origem chinesa (LEE; HARADA; STAPPERS, 2002), com significado abrangente, que pode denotar (NAGAMACHI, 2011): senso, sensitividade, sensibilidade, sensação, afeição, emoção, e necessidade. No contexto da Engenharia Kansei, a palavra Kansei tem como significado a impressão que determinado indivíduo obtém de um artefato, ambiente ou situação, a partir dos órgãos do sentido (NAGAMACHI, 1989 apud DAHLGAARD et al., 2008), que pode ser expressa em termos de palavras, sobretudo adjetivos, expressões faciais, batimentos cardíacos, por exemplo (NAGAMACHI, 2011). Essa impressão pode indicar níveis de preferência por determinados produtos, sendo que tais preferências são influenciadas por aspectos tais como, interesses e repertório pessoais, experiência da interação (e.g. nível, duração), moda e tendência (SCHÜTTE et al., 2008), e podem resultar na escolha e compra de um produto. A Engenharia Kansei, por sua vez, pode ser formalmente definida como uma

metodologia para o desenvolvimento de produtos que traduz, i.e., correlaciona, impressões (sensações e emoções) de consumidores em atributos de produto (SCHÜTTE et al., 2008; NAGAMACHI; LOKMAN, 2011). Diante dessa correlação, é possível gerar novas configurações de produtos considerando o tipo de impressão, sensação e emoção que se pretende evocar em um determinado público de consumidores. Nagamachi e Lokman (2011) distinguem cinco tipos de Engenharia Kansei 7 . O primeiro, denominado Engenharia Kansei Tipo I, é a aplicação da metodologia de forma manual, i.e., a correlação entre impressões de consumidores e propriedades do produto é realizada segundo critérios subjetivos estabelecidos pela equipe responsável pelo desenvolvimento do produto, ou pelo Engenheiro especialista em Kansei (SCHÜTTE et al., 2008). O segundo, denominado de Engenharia Kansei Tipo II, é a aplicação da metodologia com a utilização de métodos matemáticos e computacionais para o estabelecimento de conexões entre impressões de consumidores e propriedades do produto (SCHÜTTE et al., 2008). Neste tipo de Engenharia Kansei são estabelecidos os ditos Sistemas de Engenharia Kansei, i.e., ferramentas resultantes da combinação de métodos matemáticos e computacionais, como Algoritmos Genéticos, Rough Set, Teoria de Quantificação, capazes de gerar configurações “preditivas” de produtos a partir dos inputs obtidos. O terceiro, denominado Engenharia Kansei Tipo III, é similar à anterior, porém, neste caso são estabelecidos Sistemas de Engenharia Kansei Híbridos, cujo propósito não é somente o de gerar configurações “preditivas” de produtos, mas de obter uma descrição das impressões evocadas por determinado produto, protótipo ou mock-up, i.e., um processo reverso ao que ocorre nos Sistemas de Engenharia Kansei (SCHÜTTE et al., 2008). O quarto, denominado Engenharia Kansei Tipo IV, consiste na aplicação de Sistemas de Engenharia Kansei apoiados por realidade virtual, cujo propósito é prover maior nível de interação para consumidores. O quinto, denominado Engenharia Kansei Tipo V, também conhecido como gerenciamento da qualidade Kansei, consiste na aplicação da metodologia de Engenharia Kansei no setor de serviços. Neste trabalho o enfoque é dado à Engenharia Kansei Tipo II, cujos objetos de estudo são os Sistemas de Engenharia Kansei. Um Sistema de Engenharia Kansei pode ser

7Há na literatura de Engenharia Kansei outras classificações. Não é proposta deste trabalho explicar todas as variações, porém optou-se pela classificação mais recente, estabelecida por Nagamachi e Lokman (2011), literatura seminal sobre o tema. Verri (2015) apresenta as diferentes classificações disponíveis na literatura científica para a Engenharia Kansei.

estruturado conforme arcabouço8 proposto por Schütte (2002; 2005), dividido em seis etapas. Este arcabouço foi desenvolvido com a intenção de estabelecer uma generalização para o desenvolvimento de Sistemas de Engenharia Kansei. O arcabouço proposto por Schütte (2002; 2005) é apresentado na Figura 3.

Escolha do domínio

2 3 Definição do campo Definição do campo semântico das propriedades

Atualização Síntese Atualização

Teste de validade

6 Construção do modelo

Figura 3. Arcabouço genérico para a estruturação de um Sistema de Engenharia Kansei

Fonte: traduzido de Schütte (2002; 2005)

A primeira etapa, denominada “escolha do domínio9” (1), inclui a definição do grupo de consumidores-alvo e do tipo de produto enfocado, com a consequente escolha de exemplares representativos do produto, considerando uma meta de produto ideal. A segunda etapa, denominada “definição do campo semântico” (2), inclui a coleta e seleção de palavras (palavras Kansei) indicativas de impressões passíveis de serem evocadas em consumidores para um determinado tipo de produto. A terceira etapa, denominada “definição do campo das propriedades” (3), inclui a definição das propriedades do produto mais relevantes para o consumidor-alvo, tendo como ponto de partida os exemplares de produtos escolhidos na primeira etapa. A quarta etapa, denominada “síntese” (4), faz a conexão entre as impressões, materializadas em palavras Kansei, e as propriedades do produto, aplicando escalas nas quais

8 Utiliza-se o termo “arcabouço” com a acepção de “estrutura” ou “esqueleto” que representa e descreve visualmente um processo. 9 O domínio, na teoria de Engenharia Kansei, representa a delimitação do tipo de produto e mercado a ser atingido pelo produto que se pretende desenvolver. O domínio Kansei assemelha-se, em conteúdo, ao “Termo de Abertura do Projeto” apresentado na teoria de Gestão de Projetos (PMI, 2008), ou à “Visão do Produto”, apresentada na teoria de Gerenciamento Ágil de Projetos (HIGHSMITH, 2009). 52

consumidores indicam o nível de aderência (conexão), para que sejam geradas regras relacionais. As quinta e sexta etapas, denominadas “teste de validade” (5) e “construção do modelo” (6), respectivamente, incluem a definição de métodos matemáticos e computacionais para a realização de predição, i.e., para que a partir das regras relacionais estabelecidas, sejam gerados novos produtos. A definição de um Sistema de Engenharia Kansei pode exigir algumas iterações, portanto, podem ser necessários “testes de validade” periódicos, para atestar a capacidade preditiva do sistema. Neste trabalho interessa a etapa de “definição do campo das propriedades”. Etapa que, efetivamente, inicia com a escolha de exemplares de produtos representativos do domínio, atividade realizada na etapa de “escolha do domínio”. O detalhamento desta etapa é feito na seção 3.2.

3.2. Processo de definição do campo das propriedades Kansei

Inicialmente, convém explicar o que significa o termo “propriedades” no universo da Engenharia Kansei. As “propriedades” podem ser entendidas como as características, em termos de especificações técnicas, que um produto pode ter. São segmentadas em itens e categorias. Os itens são os elementos de design do produto (NAGAMACHI, 2011). Por exemplo, os itens que compõem uma caneta podem ser a “cor da tinta”, o “tipo de ponta”, o “comprimento” e o “revestimento do corpo”. Outros termos utilizados para designar os “itens” em um Sistema de Engenharia Kansei, para citar alguns, são: “product form features” (YANG, 2011b); “design factor” (HSU; CHUANG; CHANG, 2000); e, “product atributes” (BARONE; LOMBADO; TARANTINO, 2007). As categorias, por outro lado, são as variações em um dado elemento de design do produto. Por exemplo, o item “cor da tinta” pode ter variações como “azul”, “vermelha” ou “verde”; o item “tipo de ponta” pode ter variações como “rollerbal” e “cerâmica”; o item “comprimento” pode ter variações como “10 cm”, “12.5 cm”, “15 cm”; e, o item “revestimento do corpo” pode ter variações como “emborrachado”, “plástico” e “metálico”. Outros termos utilizados para designar as categorias em um Sistema de Engenharia Kansei, para citar alguns, são: “atributes” (YANG, 2011b); e, “levels” (HSU; CHUANG, CHANG, 2000; BARONE; LOMBADO; TARANTINO, 2007). Nagamachi e Lokman (2011), ainda, classificam as propriedades em quantitativas e qualitativas. As propriedades quantitativas são aquelas para as quais há uma métrica bem definida para a representação, como, para o exemplo de uma xícara de café, ter-se-ia a altura variando em centímetros, ou o raio da superfície da base. As propriedades qualitativas são 53

aquelas cujo parâmetro não é exato, embora ainda seja uma especificação do produto, a exemplo das variações em estampas (e.g., floral, geométrica) para vestidos. O processo de definição do campo das propriedades Kansei pode ser descrito pelo arcabouço estruturado por Schütte (2005), também em Schütte (2006) e Schütte et al. (2008), em 11 etapas. Para facilitar a compreensão e análise são distinguidos, neste trabalho, 5 principais grupos de etapas, denominados de fases. O arcabouço adaptado de Schütte (2005) está apresentado na Figura 4.

1.1 1.2 1.3 Coleção de exemplares Criação de novos Definição da imagem da

de produtos reais conceitos de produtos organização Fase 1 Fase

2.1 2.2 2.3 Identificação das Seleção de propriedades Identificação de novas propriedades do alinhadas à imagem da propriedades Fase 2 Fase produto organização

Determinação do grau 3.1 Determinação do grau 3.2 Determinação do grau 3.3 de importância das de importância das de importância das propriedades por propriedades por propriedades Fase 3 Fase consumidores especialistas relacionadas à imagem

4.1 Seleção de propriedades

para avaliação Fase 4 Fase

5.1 Seleção de produtos representativos do

Fase 5 Fase domínio Kansei

Figura 4. Arcabouço para a definição do campo das propriedades do produto

Fonte: traduzido e adaptado de Schütte (2005) A Fase 1, denominada aqui de “coleta de exemplares de produtos representativos do domínio”, compreende a realização de três etapas. Estas três etapas objetivam delimitar o domínio do produto Kansei em termos de exemplares de produtos.Estes produtos funcionarão como uma referência para a realização das etapas posteriores. Na etapa (1.1) a intenção é coletar produtos existentes no mercado similares em termos de especificações técnicas, funcionais ou estética são perfil de produto que se pretende desenvolver; também, objetiva minimizar problemas no projeto ao considerar propriedades de produtos que, em tese, estão mais “próximos” ao consumidor final e representam os estereótipos populares consolidados e tendências do mercado. Na etapa (1.2) a intenção é aumentar o nível de inovação no

desenvolvimento, inserindo produtos com especificações técnicas elaboradas a partir do repertório de especialistas (e.g. designers de produto, arquitetos). O designer pode representar os conceitos de produtos em termos de esboços, mock-ups, ou protótipos, parciais ou integrais do produto (SCHÜTTE et al., 2008). Na etapa (1.3) a intenção é proporcionar alinhamento à estratégia da empresa, considerando especificações técnicas relacionadas à imagem da organização, tais como diferenciais de marca. A Fase 2, denominada de “identificação/coleta das propriedades do produto”, compreende a realização das etapas (3.1), (3.2) e (3.3). Estas etapas objetivam segmentar os produtos e/ou conceitos coletados/elaborados na fase anterior em termos de itens e categorias, i.e., identificar os elementos de design existentes e variações no conjunto. Na etapa (2.1) a intenção é identificar as propriedades existentes nos produtos coletados do mercado, produtos pré-existentes, concorrentes ou similares, integral ou parcialmente, à visão do que se espera desenvolver. Na etapa (2.2) a intenção é identificar as propriedades existentes nos conceitos10 de produtos desenvolvidos pela equipe de engenharia ou design. Na etapa (2.3) a intenção é identificar as propriedades que possam tornar o produto alinhado à imagem da organização, que proporcionem identidade de origem. Os trabalhos de Schütte et al. (2008) e Nagamachi e Lokman (2011) referem que as propriedades podem ser obtidas, ainda, a partir de documentos técnicos da empresa e revistas especializadas. A Fase 3, denominada “determinação do grau de importância”,compreende as etapas (3.1), (3.2) e (3.3). Estas etapas objetivam identificar as propriedades mais relevantes a serem utilizadas para a elaboração do Sistema de Engenharia Kansei, observando aspectos como tendências de mercado, relevância para o consumidor e alinhamento à imagem da organização. Assim sendo, esta também é uma etapa de redução da quantidade de propriedades e de variáveis. Na etapa (3.1) a intenção é requisitar avaliação de consumidores sobre quais propriedades são consideradas mais relevantes. Conforme informa a Figura 4, consumidores avaliam as propriedades obtidas de exemplares de produtos pré-existentes no mercado e de conceitos desenvolvidos pela equipe de engenharia ou design. Na etapa (3.2) a intenção é obter avaliação de especialistas (e.g. Marketing e Design)relativamente às propriedades oriundas dos conceitos. Na etapa (3.3) a intenção é avaliar as propriedades associadas à imagem da organização. As propriedades, depois de avaliadas na Fase 3, são selecionadas na Fase 4, denominada de “seleção das propriedades do produto”. Compreende a etapa (4.1), cujo

10 No original, em Nagamachi e Lokman (2011), future design drawings. 55

objetivo é selecionar as propriedades mais relevantes considerando o grau de importância atribuído por consumidores e especialistas na fase anterior. Em termos práticos, não há uma delimitação clara entre as Fases 3 e 4. Métodos empregados para a determinação do grau de importância entre propriedades do produto auxiliam na seleção das propriedades mais relevantes. Schütte et al. (2008) sugere o uso de grupos focais, entrevistas individuais e a utilização do diagrama de Pareto para apoiar a seleção das propriedades do produto. A Fase 5, denominada de “seleção/definição de produtos representativos do domínio Kansei”, compreende a etapa (5.1). Esta etapa objetiva identificar o conjunto mínimo de produtos para representar as propriedades selecionadas na Fase 4. O conjunto de produtos obtido da execução da Fase 5 pode ser selecionado a partir de produtos existentes no mercado, ou elaborado utilizando ferramentas de prototipagem, protótipos ou mock-ups. Nagamachi e Lokman (2011) recomendam que o conjunto deve conter: (1) produtos que representem cada propriedade/atributo definida; (2) produtos cujas propriedades/atributos totais não redundem; e, (3) no mínimo, dois produtos representativos de cada propriedade/atributo. Quanto maior a quantidade de propriedades/atributos a serem avaliados, maior deverá ser a quantidade de produtos selecionados para representar essas propriedades/atributos.

3.3. Fontes de erro no processo de definição do campo das propriedades

As etapas de definição do campo das propriedades, na estruturação de um Sistema de Engenharia Kansei, são consideradas críticas. Como resultado final são definidos e/ou selecionados produtos representativos do domínio, i.e., produtos que contemplam uma variedade de características (composições de itens versus categorias) representativa para um determinado grupo de consumidores-alvo do produto em desenvolvimento.Algumas fontes de erro podem ser encontradas nas etapas do processo de definição do campo das propriedades em aplicações11 de Sistemas de Engenharia Kansei descritos na literatura científica, de acordo

11 De acordo com revisão realizada em 58 artigos com aplicações de Sistemas de Engenharia Kansei, filtrados de um total de 116 artigos sobre Engenharia Kansei coletados em revisão estruturada por Silva e Amaral (2013). No Apêndice C consta uma súmula do procedimento para definição do campo das propriedades aplicado em cada artigo. Utilizou-se como critério para a delimitação da amplitude (i.e. início e término) do processo de “definição do campo das propriedades” em uma dada aplicação de Sistema de Engenharia Kansei, o momento que compreende o início do experimento até o momento imediatamente anterior à atribuição de qualquer vínculo semântico-afetivo, este caracterizado como o processo desenvolvido na etapa de “síntese” da estruturação de um Sistema de Engenharia Kansei. Artigos que não descrevem procedimento para nenhuma das Fases do processo de definição do campo das propriedades foram excluídos da análise, são os seguintes: Tsuchiya et al. (1996), Jindo e Hirasago (1997), Petiot e Yannou (2004), Jiao, Zhang e Helander (2006), Chang, Lai e Chang (2006), Choi e Jun (2007), Delin et al. (2007), Llinares e Page (2007), Llinares e Page (2008), Yan et al. (2008), Chang (2008), Bahn et al. (2009), Zhai, Khoo e Zong (2009),Huynh, Yan e Nakamori (2010), Huang, Tsai e Huang (2011), Galiana, Llinares e Page (2012) e Pearce e Coleman (2013). 56

com a Fase. Na Fase 1, “coleta de exemplares de produtos representativos do domínio”, são duas as principais fontes de erro a serem apontadas. A primeira é a seleção arbitrária do conjunto de produtosque representará o domínioKanseiinicial.Nas aplicações de Sistemas de Engenharia Kansei, em geral, não são sugeridos/apresentados métodos para a realização da Fase 1, afirmação reforçada pelos dados mostrados na Tabela 9. Trabalhos referem a coleta de exemplares de produtos representativos do domínio como um preâmbulo do experimento, e os produtos e/ou conceitos coletados como dados de entrada, sem uma clara indicação sobre como esses exemplares são obtidos e quem é responsável pela execução desta etapa. Um grupo menor de autores refere que especialistas são responsáveis pela determinação do grupo inicial de produtos representativos do domínio, a exemplo de Hsu, Chuang e Chang (2000), van Lottum, Pearce e Coleman (2006) e Huang, Tsai e Huang (2011). Barnes e Lillford (2009) recomendam o uso do método Mood-Board (McDONAGH et al., 2002 apud BARNES; LILLFORD, 2009). Por fim, há trabalhos em que ocorre uma possível supressão da Fase 1, pois não é indicada explicitamente ou a fase subsequente é realizada com o apoio do repertório/expertise de especialistas. Exemplos de trabalhos que demonstram tal abordagem são Barnes et al. (2004), Schütte e Eklund (2005), Nishino, Nagamachi e Tanaka (2006), Nordvik, Schütte e Broman (2009), Demirtas, Anagun e Koksal (2009), Kuang e Jiang (2009), Hartono e Chuan (2011) e Noh, Park e Park (2013).

Tabela 9. Métodos utilizados para a coleta de exemplares de produtos representativos do domínio

Métodos Referências Não identificado Jindo, Hirasago e Nagamachi (1995); Tanoue, Ishizaka e Nagamachi (1997); Nakada (1997); Huang, Sobue e Chen (2003); Huang et al. (2003); Mondragon, Company e Vergara (2005); Lai, Chang e Chang (2005); Lai, Lin e Yeh (2005); Nagamachi, Okazaki e Ishikawa (2006); Henson et al. (2006); Lai et al. (2006); Lin, Lai e Yeh (2007); Chen e Chuang (2008); Tung, Guan e Hsieh (2009); Ergogmus e Koç (2011); Yang (2011a); Yang (2011b); Pham et al. (2011); Smith e Fu (2011); Huang, Chen e Khoo (2012a); Yan, Huyin e Nakamori (2012); Luo, Fu e Korvenmaa (2012); Shi, Sun e Xu (2012); Lin et al. (2012b); Kim et al. (2013) Especialistas Hsu, Chuang e Chang (2000); van Lottum, Pearce e Coleman (2006); Huang, Tsai e Huang (2011); Huang, Chen e Khoo (2012b); Luo, Fu e Zhou (2012); Yang e Chang (2012); Lin et al. (2012a) Mood-board Barnes e Lillford (2009)

Outro ponto importante a ser referido, fonte de erro, relacionado à Fase 1 no processo de definição do campo das propriedades, é a ausência do consumidor no processo de

seleção do conjunto de produtos inicial. Esta observação é importante, pois há na literatura seminal autores (e.g., SCHÜTTE et al., 2008; NAGAMACHI; LOKMAN, 2011) que recomendam o envolvimento do consumidor no processo de definição do campo das propriedades, com a intenção de minimizar ou evitar a omissão de propriedades consideradas importantes do ponto de vista do consumidor. Isto porque consumidores possuem, em geral, repertório distinto de integrantes da equipe de projeto de produtos (HSU; CHUANG; CHANG, 2000). Apesar disso, na literatura seminal enas aplicações de Sistemas de Engenharia Kansei esse envolvimento ocorre tardiamente, na Fase 2, “identificação/coleta das propriedades do produto”. Uma das possíveis razões para o não envolvimento do consumidor nas etapas inicias do processo de definição do campo das propriedades Kansei é o alto grau de expertise criativo requisitado para a elaboração de conceitos de produtos e/oude repertório requisitado para análise e tratamento de grande volume de dados pouco estruturados, quando da seleção de produtos pré-existentes no mercado. As limitações relacionadas à manutenção do envolvimento12 são outro obstáculo, sabendo que um Sistema de Engenharia Kansei requer atualização constante e acompanhamento dos direcionamentos de mercado, e.g. tendências e moda, o envolvimento do consumidor deve ocorrer em uma base contínua, o que tangencia problemas como a indisponibilidade (HODA; NOBLE; MARSHALL, 2010) e pouco interesse, “disposição”, (LETTL, 2007) do consumidor em manter o envolvimento. Na Fase 2, “identificação/coleta das propriedades do produto”, podem ser identificadas duas principais fontes de erro. A primeira fonte de erro está na dificuldade de mensuração da qualidade dos resultados devido ao caráter subjetivo da maioria dos métodos aplicados. Isto é, como seria possível saber se todas as propriedades críticas/relevantes foram identificadas, seja do ponto de vista do consumidor ou da equipe de projeto do produto? E, quais as implicações da escolha de propriedades pouco relevantes para o mercado que se pretende direcionar o produto em desenvolvimento? Esses questionamentos não são recentes. Trabalhos como os de Barone, Lombardo e Tarantino (2007), Schütte et al. (2008), Yang (2011) já os consideravam. Partem do princípio de que o envolvimento do consumidor é fundamental no processo de identificação das propriedades do produto, o que está explícito no arcabouço desenvolvido por Schütte (2005), Figura 4.

12 Com freqüência o envolvimento do consumidor é uma atividade pontual e temporalmente limitada, sujeita a defasagem. Este tipo de envolvimento é orientado pela perspectiva tradicional de envolvimento do consumidor, cujas características são citadas em Sawhney, Verona e Prandelli (2005). 58

Conforme referem Barone, Lombardo e Tarantino (2007) uma propriedade do produto é relevante quando influencia a atitude do consumidor quanto um determinado produto. Entretanto, os métodos aplicados para a realização da Fase 2, em parte, não contribuem para uma identificação confiável já que são pouco estruturados, de cunho qualitativo, e podem apresentar um viés muito grande associado ao grupo de participantes, i.e., grupos diferentes podem prover resultados com dissimilaridades. Este é o caso de métodos como: opinion of expert panel (HARTONO; CHUAN, 2011; LUO; FU; KORVENMAA, 2012), opinion of consumer panel (DEMIRTAS; ANAGUN; KOKSAL, 2009; LUO; FU; KORVENMAA, 2012), video ethnography (HENSON et al.,2006), Focus Group Interview (FGI) (BAHN et al., 2009; HARTONO; CHUAN, 2011; NOH; PARK; PARK, 2013), brainstorming (YAN; HUYIN; NAKAMORI, 2012). Tais métodos dependem do repertório dos envolvidos, o que aumenta o nível de subjetividade no processo de identificação das propriedades do produto. Métodos mais estruturados também são utilizados em aplicações de Sistemas de Engenharia Kansei, como é o caso do Morphological Analysis (LUO; FU; ZHOU, 2012) e HIEs deconstruction method (LIN et al., 2012a). No caso do segundo, um fluxograma e template desenvolvido por Kwahk e Han (2002) torna o processo de identificação do campo das propriedades sistemático e objetivo, porém está limitado a produtos eletrônicos. Na Tabela 10 é apresentada a lista de métodos utilizados para apoiar a realização da Fase 2, identificadas nas aplicações de Sistemas de Engenharia Kansei.

Tabela 10. Métodos utilizados para a identificação/coleta das propriedades do produto

Métodos Referências Morphological Analysis Luo, Fu e Zhou (2012); Chen e Chuang (2008); Hsu, Chuang e Chang (2000); Yang (2011b); Lin, Lai e Yeh (2007); Lai, Lin e Yeh (2005); Lin et al. (2012b); Shi, Sun e Xu (2012); Luo, Fu e Zhou (2012) Survey Jindo, Hirasago e Nagamachi (1995) Brainstorming (GRINSAETH, 2005) Yan, Huyin e Nakamori (2012) Focus Group Interview (FGI) Henson et al. (2006); Bahn et al. (2009); Hartono e Chuan (2011); Noh, Park e Park (2013); Lin, Lai e Yeh (2007); Lai, Lin e Yeh (2005) Video ethnography Henson et al. (2006) Literature survey: documents about product, Bahn et al. (2009); Hartono e Chuan (2011); Demirtas, Anagun e manuals, other Koksal (2009); Chen e Chuang (2008) Opinion of expert panel Bahn et al. (2009); Hartono e Chuan (2011); van Lottum, Pearce e Coleman (2006); Luo, Fu e Korvenmaa (2012); Demirtas, Anagun e Koksal (2009); Lin, Lai e Yeh (2007); Lai, Lin e Yeh (2005); Lai, Chang e Chang (2005); Chen e Chuang (2008); Shi, Sun e Xu (2012) Opinion of consumer panel Luo, Fu e Korvenmaa (2012); Demirtas, Anagun e Koksal (2009) Mood-Board (McDONAGH et al. 2002) Barnes e Lillford (2009) HIEs deconstruction method Lin et al. (2012a) Designers, expert users e advanced users Schutte e Eklund (2005)

A segunda fonte de erro está relacionada ao tipo de produto e/ou objeto de estudo13. Para grande parte dos produtos manufaturados, do tipo bens de consumo, há uma lista excessivamente longa de propriedades, i.e., elevada “granulosidade”, que tende a aumentar quanto maior a complexidade do produto em termos de sistemas, subsistemas e componentes. A elevada granulosidade está diretamente associada ao objeto de estudo definido, ou seja, “o que” ou “qual parte” do produto será avaliada. Nagamachi e Lokman (2011) recomendam a seleção de “objeto de estudo” com escopo mínimo possível, com o propósito de evitar equívocos e inconsistências nas análises. Deste escopo, os autores sugerem a identificação de uma quantidade de categorias elevada, em geral acima de 100, para que sejam obtidos resultados satisfatórios e viáveis do ponto de vista estatístico. Esta recomendação, ainda que apoiada por exemplos encontrados na literatura seminal, apresenta limitações no que concerne à replicação em experimentos Kansei. Nas aplicações de Sistemas de Engenharia Kansei os autores têm restringido seus experimentos a produtos simples, ou simplificações de produtos, como uma forma de minimizar o escopo de estudo, com implicações diretas na quantidade de propriedades identificadas. Na Tabela 11 são listados os objetos de estudo, “survey targets”, selecionados

13 O termo utilizado por Nagamachi e Lokman (2011, p. 49) é “survey target”. 60

nos experimentos Kansei revisados. Tabela 11. Objeto de estudo nas aplicações de Sistemas de Engenharia Kansei

Tipo de Objeto de estudo Referências produto Veículos Velocímetro e layout de painel de carro Jindo e Hirasago (1997) Adequação lateral de veículos versus design Luo, Fu e Zhou (2012) de calotas Carros de passeio Lai, Chang e Chang (2005) Crash pads de veículos e revestimento Bahn et al. (2009) interno de veículos (wallpaper e flooring) Displays de veículos (HUD) Smith e Fu (2011) Conforto em veículos Tsuchiya et al. (1996) Interior de veículos Tanoue, Ishizaka e Nagamachi (1997) Aparelhos Telefones celulares Lin et al. (2012a), Kuang e Jiang (2009), Chen e Chuang (2008), eletrônicos Jiao, Zhang e Helander (2006), Shi, Sun e Xu (2012)*, Yang e Chang (2012), Lin, Lai e Yeh (2007), Lai, Lin e Yeh (2005), Lai et al. (2006), Yang (2011a)*, Hsu, Chuang e Chang (2000)* eBarone, Lombardo e Tarantino (2007) Ícones em máquinas digitais Tung, Guan e Hsieh (2009) PDAs Lin et al. (2012b) Câmeras fotográficas digitas Chang (2008) Câmeras digitais Yang (2011b) Vestuário Sapatos Pearce e Coleman (2013), Nagamachi, Okazaki e Ishikawa (2006) e van Lottum, Pearce e Coleman (2006) Estampas de tecido Huang, Sobue e Chen (2003) Embalagens Aparência de frascos de perfumes Huang, Chen e Khoo (2012b) Embalagens para produtos de limpeza Delin et al. (2007) Embalagens de creme hidratante Henson et al. (2006) Garrafas de bebidas Barnes e Lillford (2009) Garrafas para bebidas Luo, Fu e Korvenmaa (2012) Decoração Porcelanas Kutani Huynh, Yan e Nakamori (2010) Xícaras artesanais Kutani Yan, Huyin e Nakamori (2012) Pinturas a óleo Huang et al. (2003) Folhas de ouro Kanazawa Yan et al. (2008) Cálices de vidro Petiot e Yannou (2004) Torneiras de cozinhas Demirtas, Anagun e Koksal (2009) Assoalhos de madeira Nordvik, Schütte e Broman (2009) Móveis Componentes de salas de estudo Ergogmus e Koç (2011) Cadeiras de escritório Jindo, Hirasago e Nagamachi (1995) Estandes para feiras de negócios Huang, Tsai e Huang (2011) Construção Prédios urbanos recém-construídos, em Llinares e Page (2007) civil Valencia Music halls da Espanha Galiana, Llinares e Page (2012) Bairros da cidade de Valencia Llinares e Page (2008) Máquinas- Battery drill Huang, Chen e Khoo (2012a) ferramenta Aparência de máquinas-ferramenta Mondragon, Company e Vergara (2005) Interruptores em veículos do tipo máquina- Schütte e Eklund (2005) ferramenta Assentos de motorista de máquinas- Nakada (1997) ferramenta para a construção civil Intangíveis Estratégias de investimento no mercado de Pham et al. (2011) ações Sistemas de Telecomunicação Multimídia Noh, Park e Park (2013) Serviços em hotel de luxo Hartono e Chuan (2011) Alimentos Tipos de beneficiamento de café Nishino, Nagamachi e Tanaka (2006) Chás engarrafados Kim et al. (2013) Materiais Acabamento em garrafas e chapas de vidro Barnes et al. (2004) Superfícies de materiais plásticos Choi e Jun (2007)

Nas Fases 3 e 4, respectivamente “determinação do grau de importância” e “seleção das propriedades do produto”, pode ser identificada como principal fonte de erro a utilização de métodos qualitativos, ou não utilização de método/sistematização alguma, para a execução das Fases, em oposição ao uso de métodos quantitativos. De acordo com a síntese e comparação entre métodos qualitativos e quantitativos

feitas por Turato (2005, p. 511), métodos qualitativos podem ser definidos, para o propósito deste trabalho, como métodos que utilizam procedimentos ajustáveis e que requisitam do repertório do pesquisador (i.e. “pesquisador e seus sentidos”, nos termos utilizados pelo autor) e, consequentemente, dos envolvidos na aplicação, para a obtenção de um resultado. Este resultado, considerando a variedade no repertório técnico entre indivíduos, baixo controle das variáveis e procedimentos ajustáveis, é de baixa reprodutibilidade, em oposição aos resultados obtidos utilizando métodos quantitativos, nos quais são utilizadas técnicas estatísticas para o tratamento dos dados (TURATO, 2005). O uso de métodos qualitativos, ou não utilização de método/sistematização, para a seleção das propriedades do produto pode ocasionar problemas como: (1) desbalanceamento entre propriedades consideradas importantes para consumidores e pela equipe de projetos; (2) desbalanceamento entre propriedades que se espera “avaliar” na Etapa de Síntese do Sistema de Engenharia Kansei e propriedades que devem estar presentes com a finalidade de caracterizar o produto para contextualizar a aplicação (e.g. consumidores são requisitados a “avaliar” uma dada propriedade, item/categoria, “cor/azul” em canetas, e não isoladamente, sem a localização da propriedade no “survey target” adequado); (3) dificuldade na redução das propriedades a uma quantidade exequível do ponto de vista da seleção de produtos representativos do domínio (Fase posterior), considerando que quanto maior a quantidade de propriedades selecionadas, maior a quantidade de produtos representativos do domínio e, finalmente, mais extensas e confusas as entrevistas a serem realizadas na Etapa de Síntese de um Sistema de Engenharia Kansei; e, (4) seleção de propriedades que possam interferir/influenciar negativa ou positivamente na avaliação de uma(s) propriedade(s) em especial. Na Tabela 12 estão listados os métodos utilizados para a realização das Fases 3 e 4, quando referidos, nas aplicações de Sistemas de Engenharia Kansei, conforme revisão de literatura. Não consta na Tabela 12 o trabalho de Smith e Fu (2011) que aplica procedimento, não método específico, para a seleção das propriedades do produto. Demais trabalhos, como Jindo, Hirasago e Nagamachi (1995), Nakada (1997), Nordvik, Schütte e Broman (2009) e Erdogmus e Koç (2011), e outros descritos no Apêndice C, não aplicam ou não informam claramente qual procedimento para a realização das Fases 3 e 4.

Tabela 12. Métodos utilizados para a determinação da importância e seleção das propriedades do produto

Métodos Referências KJ Method (similarity matrix) Schütte e Eklund (2005); Yang e Chang (2012); Lai et al. (2006); Lin, Lai e Yeh (2007); Lai, Lin e Yeh (2005) Principal Component Analysis Huang, Sobue e Chen (2003); Huang et al. (2003) Frequency analysis Hartono e Chuan (2011) Pareto diagram Hartono e Chuan (2011); Barone, Lombardo e Tarantino (2007) Kano Model Hartono e Chuan (2011) Semantic Maps/ Semantic differential survey Barnes e Lillford (2009) (repertory grid technique) Multiple Dimension Scaling (MDS) Lai et al. (2006); Lin, Lai e Yeh (2007); Lai, Lin e Yeh (2005); Shi, Sun e Xu (2012) Experts Mondragon, Company e Vergara (2005); van Lottum, Pearce e Coleman (2006); Yang e Chang (2012)

Na Fase 5, “seleção/definição de produtos representativos do domínio Kansei”, podem ser identificadas duas principais fontes de erro de acordo com o tipo/natureza do produto representativo do domínio. Considera-se produtos de três tipos/naturezas: protótipos físicos e/ou virtuais (mock-ups) e produtos pré-existentes no mercado. O primeiro problema é o balanceamento das propriedades no conjunto de produtos representativos do domínio. Isto é, a presença das propriedades, itens/categorias, nos produtos selecionados, de modo que seja possível separar o efeito de cada propriedade individualmente14. Para o caso em que a equipe de projeto decide pela seleção de produtos pré- existentes no mercado há um agravante, a disponibilidade dos produtos no mercado. Esta limitação dificulta a seleção de uma quantidade mínima de produtos representativos do domínio, pois produtos existentes no mercado apresentam uma variedade de combinações de propriedades que regidas por “tendências de mercado”, o que acarreta redundância ou ausência de determinadas propriedades, dificultando a avaliação de propriedades específicas, raras ou inovadoras. Esta separação é mais simples quando os produtos representativos do domínio são elaborados utilizando prototipagem física ou virtual, pois é possível desenvolver protótipos com combinações de propriedades ótimas utilizando técnicas estatísticas. Uma técnica aplicada é o fractional factorial design layout, conforme sugerido pelos autores van Lottum, Pearce e Coleman (2006). O balanceamento das propriedades no conjunto de produtos representativos do

14 van Lottum, Pearce e Coleman (2006) ilustram um problema de balanceamento da seguinte forma: “se há somente dois sapatos com a ponta quadrada, ambos são pretos e ambos são avaliados como contemporâneos, é difícil identificar se os sapatos são contemporâneos porque possuem o mesmo tipo de ponta ou a mesma cor”. 63

domínio também é importante para o funcionamento adequado dos métodos para análise estatística multivariada, como é o caso da Teoria de Quantificação Tipo I (NAGAMACHI; LOKMAN, 2011), e tem influência direta na quantidade de produtos representativos do domínio. Por exemplo, de acordo com Nakada (1997), para o correto funcionamento do método de análise estatística multivariada, o número de objetos analisados (i.e., os produtos representativos do domínio) deve ser maior que a quantidade de propriedades existente, itens/categorias. Como consequência, produtos complexos requisitam, necessariamente, um maior número de produtos representativos do domínio Kansei (HUANG; CHEN; KHOO, 2012a). No entanto, a quantidade de produtos representativos do domínio dependerá, além da quantidade de propriedades em consideração, de aspectos como natureza do produto, complexidade e quantidade de produtos que pode ser apresentada, realisticamente, na Etapa de Síntese Kansei (van LOTTUM; PEARCE; COLEMAN, 2006), já que um elevado número de produtos representativos do domínio pode resultar em questionários extremamente longos e tediosos15 para os entrevistados (SCHÜTTE, 2005; HUANG; CHEN; KHOO, 2012a). O segundo problema é o efeito halo, citado por Barone, Lombardo e Tarantino (2007), decorrente da influência de propriedades ou fatores de contexto que atuam como ruído e direcionam a avaliação dos produtos representativos do domínio e de suas outras propriedades. De acordo com os autores, há o halo verdadeiro e o halo ilusório. O primeiro ocorre devido às limitações do respondente/consumidor em decompor um produto para avaliação. Neste caso a presença ou ausência de uma determinada propriedade afeta a avaliação feita pelo consumidor. Um exemplo seria a influência que o aspecto externo de um carro poderia ter na impressão de consumidores relativamente ao conforto da cabine interna na posição do motorista. Para minimizar o halo verdadeiro não basta a delimitação teórica do survey target, mas o desenvolvimento de estratégias para eliminar ao máximo as fontes de ruído no processo de avaliação, seja desenvolvendo protótipos ou alterando produtos pré- existentes. O segundo tipo, o halo ilusório, ocorre devido à influência de fatores associados ao contexto. Um exemplo é a influência que uma dada marca por ter na avaliação de embalagens de molho para salada. Este tipo de halo pode ser de difícil controle, pois está relacionado, em parte, ao repertório e experiências de respondentes/consumidores, sendo bastante variável.

15Por exemplo, no trabalho de Han et al. (2004), consumidores foram requisitados a avaliar 50 tipos de telefones celulares, utilizando 10 palavras Kansei, i.e. cada entrevistado realizou 500 avaliações. No trabalho de Nagamachi e Lokman (2011) é apresentado outro exemplo, no qual 20 produtos representativos são avaliados por 100 palavras Kansei, resultando em 2000 avaliações. 64

A decisão por selecionar produtos pré-existentes no mercado ou definir produtos com características “controláveis” utilizando técnicas de prototipagem física ou digital dependerá de aspectos como: (1) do propósitodo(s) pesquisador(es), e.g., a equipe de projeto pode ter por objetivo avaliar/identificar propriedades mais relevantes para consumidores a partir de produtos pré-existentes (obter feedback do mercado consumidor), ou testar a variação de cores em um produto específico já desenvolvido pela empresa ou, ainda, requisitar avaliação de produtos conceituais e suas respectivas propriedades; (2) das condições de pesquisa, e.g., os produtos a serem avaliados na Etapa de Síntese Kansei podem apresentar proporções/dimensões que inviabilizam a apresentação dos produtos reais para um dado conjunto de potenciais consumidores/avaliadores; (3) do tipo de produto que se pretende desenvolver, e.g., produtos mais inovadores, com propriedades inexistentes no mercado, podem requisitar prototipagem física ou virtual, diferindo de produtos em que se pretende realizar somente inovações incrementais; e, (4) do survey target que se pretende avaliar, e.g., produtos mais complexos podem necessitar de prototipagem para delimitar o survey target a ser avaliado por consumidores, e evitar a influência positiva ou negativa de outros aspectos do produto. De acordo com Barone, Lombardo e Tarantino (2007) os protótipos virtuais e produtos pré-existentes seriam mais adequados às fases iniciais do processo de desenvolvimento de produtos que protótipos físicos, considerando que os primeiros consumiriam menor tempo e recursos para a confecção. Isto é, o processo de definição do campo das propriedades torna-se mais dispendioso quando opta-se pelo desenvolvimento de protótipos. Em suma, protótipos físicos são utilizados para o caso em que não há disponibilidade de produtos no mercado que contenham as propriedades que se espera avaliar, i.e., produtos com propriedades inovadoras. Facilitam o balanceamento de propriedades, a minimização do efeito halo, e a definição do conjunto mínimo de produtos representativos do domínio Kansei, pois pode-se aplicar técnicas estatísticas para este propósito. São recomendados para fases mais avançadas no processo de desenvolvimento do produto. Protótipos virtuais são utilizados para facilitar processos avaliativos, considerando fatores como: dificuldade do consumidor em participar fisicamente da Etapa de avaliação na Síntese Kansei; necessidade de ampliação do alcance para atingir grandes grupos de consumidores, utilizando Internet; inviabilidade de reunir produtos representativos do domínio Kansei devido dimensões do survey target ou dificuldade de movimentação, como ocorre no trabalho de Galiana, Llinares e Page (2012) em que são avaliadas as music hall espanholas. Facilitam a avaliação, especialmente, quando envolve grande quantidade de

consumidores, quiçá dispersos geograficamente. São recomendados para fases iniciais no processo de desenvolvimento do produto, sobretudo quando utilizados para avaliação de produtos conceituais ou que ainda apresentam baixo nível de detalhamento, como ocorre na avaliação de embalagens para cremes hidratantes, emolientes, no trabalho de Henson et al. (2006). Por fim, produtos pré-existentes no mercado são utilizados para facilitar a identificação de propriedades consideradas importantes pelos consumidores, em especial o consumidor comum cujo repertório técnico é reduzido e não-formal. Isto é, o consumidor interage com produtos com características familiares e que possuem estereótipos populares. São utilizados, principalmente, nas etapas iniciais do processo de desenvolvimento do produto. Na Tabela 13 são destacadas as aplicações de Sistemas de Engenharia Kansei,de acordo com o uso de produtos reais e/ou protótipos e mockups nos experimentos.

Tabela 13. Tipo de representação de exemplares de produtos utilizados

Tipo de representação Referências Protótipos e/ou mock-ups Jindo e Hirasago (1997); Huang, Sobue e Chen (2003); Barnes et al. (2004); Lai, Chang e Chang (2005); Henson et al. (2006); Lai et al. (2006); Delin et al. (2007); Choi e Jun (2007); Chen e Chuang (2008); Tung, Guan e Hsieh (2009); Demirtas, Anagun e Koksal (2009); Kuang e Jiang (2009); Smith e Fu (2011); Noh, Park e Park (2013) Produtos reais (incluindo representações Jindo, Hirasago e Nagamachi (1995); Jindo e Hirasago (1997); fotográficas de produtos reais) Tanoue, Ishizaka e Nagamachi (1997); Nakada (1997); Hsu, Chuang e Chang (2000); Huang et al. (2003); Petiot e Yannou (2004); Schütte e Eklund (2005); Mondragon, Company e Vergara (2005)*; Lai, Lin e Yeh (2005); Nagamachi, Okazaki e Ishikawa (2006); van Lottum, Pearce e Coleman (2006); Nishino, Nagamachi e Tanaka (2006); Llinares e Page (2007); Barone, Lombardo e Tarantino (2007); Lin, Lai e Yeh (2007); Llinares e Page (2008)*; Yan et al. (2008); Chang (2008); Nordvik, Schütte e Broman (2009); Barnes e Lillford (2009); Huynh, Yan e Nakamori (2010); Ergogmus e Koç (2011); Hartono e Chuan (2011); Huang, Tsai e Huang (2011); Yang (2011a); Yang (2011b); Huang, Chen e Khoo (2012a); Huang, Chen e Khoo (2012b)*; Galiana, Llinares e Page (2012); Luo, Fu e Zhou (2012); Yan, Huyin e Nakamori (2012); Yang e Chang (2012); Luo, Fu e Korvenmaa (2012); Lin et al. (2012a); Lin et al. (2012b); Pearce e Coleman (2013); Kim et al. (2013) Não identificado Tsuchiya et al. (1996); Jiao, Zhang e Helander (2006); Chang, Lai e Chang (2006); Bahn et al. (2009); Zhai, Khoo e Zong (2009); Pham et al. (2011); Shi, Sun e Xu (2012)

Os métodos utilizados para a seleção/definição dos produtos representativos do domínio Kansei, nas aplicações de Sistemas de Engenharia Kansei, estão listados na Tabela 14. A escolha por um dado método varia de acordo com o tipo/natureza do produto. Métodos estatísticos, como é o caso do Taguchi’s Orthogonal Array e Fractional Factorial Design Layout, auxiliam na identificação de combinações de propriedades que podem ser 66

representadas em termos de protótipos. Métodos qualitativos, como é o caso do Experts Panel e Focus Group, são utilizados, principalmente, quando se pretende selecionar um conjunto de produtos representativo do domínio Kansei a partir de produtos pré-existentes no mercado.

Tabela 14. Métodos utilizados para a seleção/definição de produtos representativos do domínio

Métodos Referências Opinion of experts panel Huang, Chen e Khoo (2012a); Huang, Chen e Khoo (2012b); Mondragon, Company e Vergara (2005); Nishino, Nagamachi e Tanaka (2006); Huang, Tsai e Huang (2011); Hsu, Chuang e Chang (2000); Lin et al. (2012b) Taguchi’s Orthogonal Array (PHADKE, 1989) Chen e Chuang (2008); Demirtas, Anagun e Koksal (2009); Tung, Guan e Hsieh (2009); Smith e Fu (2011); Demirtas, Anagun e Koksal (2009); Lai, Chang e Chang (2005) Semantic Mapping Henson et al. (2006) Design of Experiment (DOE) Bahn et al. (2009) Fractional Factorial Design Layout van Lottum, Pearce e Coleman (2006); Barone, Lombardo e Tarantino (2007); Barnes e Lillford (2009) Cluster analysis/Cluster analysis (k-means) Hsu, Chuang e Chang (2000); Lai et al. (2006); Lin, Lai e Yeh (2007); Lai, Lin e Yeh (2005); Lin et al. (2012a); Chang (2008); Lin et al. (2012b) Randomly picked Yang (2011b); Yang (2011a) Focus group Lin et al. (2012b) Hierarchical Grouping/Matriz de similaridade Chang (2008); Shi, Sun e Xu (2012)

4. MÉTODOS E FERRAMENTAS PARA APOIAR O PROCEDIMENTO

AUTOMÁTICO

Este capítulo apresenta uma revisão das técnicas e ferramentas computacionais utilizadas na proposição do procedimento automático para a definição do campo das propriedades desenvolvido neste trabalho e apresentado no Capítulo 5.

4.1. Preâmbulo

Conforme apresentado no Capítulo 3, o procedimento automático para a definição do campo das propriedades utilizando inputs de consumidores virtuais, em proposição neste trabalho, utiliza métodos empregados nas aplicações de Sistemas de Engenharia Kansei e Sistemas de Recomendação Híbridos. Um dos métodos obtidos na literatura de Sistemas de Engenharia Kansei, é o método de decomposição dos Elementos de Interface Humana (HIE), seção 4.2. Esse método é utilizado nas etapas preliminares para a obtenção dos dados de entrada para o procedimento automático, nomeadamente, para a definição das propriedades iniciais dos produtos. Outros métodos obtidos na literatura de Sistemas de Engenharia Kansei, utilizados na proposta, são os métodos de agrupamento. O método de Escalonamento Multidimensional (MDS), seção 4.4, é utilizado para a redução da dimensionalidade dos produtos preservando a força das dissimilaridades originais, com a intenção de facilitar o agrupamento utilizando o método hierárquico de Ward, para a seleção de produtos mais dissimilares, conforme aplicações de Lai, Lin e Yeh (2005), Lai et al. (2006) e Lin, Lai e Yeh, (2007). Esse método utiliza como medida de similaridade a Distância Euclidiana, seção 4.7. O método de agrupamento hierárquico de Ward, seção 4.5, é utilizado para a identificação de produtos mais dissimilares para compor um conjunto mínimo de produtos de mais fácil manipulação e aplicação em um Sistema de Engenharia Kansei (LAI; LIN; YEH, 2005; LAI et al., 2006; LIN; LAI; YEH, 2007). Também, para auxiliar na definição do número de clusters de perfis de consumidores, de acordo com as similaridades nas preferências de consumo. O método de Ward auxilia na identificação dos agrupamentos iniciais de usuários/consumidores. Esses agrupamentos iniciais são utilizados como ponto de partida para a definição dos clusters finais utilizando o método k-médias, método não- hierárquico.

O método de agrupamento não-hierárquico k-médias, seção 4.6, é utilizado na segmentação efetiva, em clusters, dos usuários/consumidores considerando o interesse de compra, para apoiar a recomendação de produtos representativos do domínio, de acordo com os perfis de interesse dos grupos de usuários/consumidores identificados. Neste aspecto, diferente dos trabalhos relacionados a Sistemas de Recomendação Híbridos, nos quais o propósito é fornecer uma recomendação para um usuário/consumidor-alvo em uma loja virtual específica, aqui, a recomendação deve ser feita para um grupo de usuários/consumidores, um segmento. Neste caso, a recomendação é o conjunto de produtos representativos do domínio mais aderente a um grupo de usuários/consumidores específico, identificado usando os métodos de agrupamento. Esse método utiliza como medida de similaridade a Distância Euclidiana, seção 4.7. Os métodos obtidos na literatura de Sistemas de Recomendação (SR) são, particularmente, uma adaptação da proposta de Cho e Kim (2004), um Sistema de Recomendação Híbrido denominado Web usage mining driven CF recommendation methodology using Product Taxonomy (WebCF-PT), também utilizado como base, por Albadvi e Shahbazi (2009), para a proposição do Sistema de Recomendação denominado Hybrid Recommendation technique based on Product Category Attributes (HRPCA). Combinam os Sistemas de Recomendação com Filtragem por Conteúdo16, Content-Based Filtering (CBF), e com Filtragem Colaborativa 17 , Collaborative Filtering (CF), com a intenção de solucionar/minimizar os problemas, como o de esparsidade, que ocorre quando há poucas avaliações de produtos pelos usuários/consumidores (CHO; KIM, 2004). Este problema é minimizado com utilização de mineração de dados, para a coleta de avaliações implícitas de usuários/consumidores, a partir de padrões de navegação, o que aumenta o número de avaliações de usuários/consumidores em comparação aos métodos de avaliações explícitas. Os métodos aplicados em Cho e Kim (2004) foram utilizados e adaptados para compor o procedimento automático para definição do campo das propriedades, Kansumers. Um dos métodos utilizados é o método de mineração de dado Web Usage Mining (WUM), seção 4.3, que capta os padrões de acesso de usuários em uma loja virtual, indicando quantos e quais usuários acessaram as páginas de cada produto, enviaram produtos para o carrinho de

16 Os Sistemas de Recomendação com Filtragem por Conteúdo recomendam ao usuário/consumidor os produtos mais similares aos produtos considerados relevantes pelo usuário/consumidor no passado (ALBADVI; SHAHBAZI, 2009). 17 Os Sistemas de Recomendação com Filtragem Colaborativa recomendam ao usuário/consumidor os produtos preferidos por outros usuários/consumidores com opiniões similares (ALBADVI; SHAHBAZI, 2009). 69

compras e efetivaram compra de um dado produto. Outro método, o Coeficiente de Correlação de Pearson, seção 4.8, é utilizado para o cálculo do escore que fornece uma pontuação mais elevada para os produtos cujo interesse de compra seja mais elevado para um dado cluster de consumidores. Por fim, é utilizado o método Arranjo Ortogonal de Taguchi, seção 4.9, para a definição de um grupo de produtos (amostra) de referência, para uma dada lista de propriedades pré-definida. Esse grupo de produtos é comparado aos grupo de produtos obtido com a aplicação do algoritmo Kansumers.

4.2. Método de Decomposição dos Elementos de Interface Humana (HIE)

O método foi desenvolvido com a intenção de permitir a identificação dos elementos de design, i.e. propriedades de interface de produtos eletrônicos com interface audiovisual18. Desenvolvido por Kwahk e Han (2002), é aplicado por Han et al. (2004), Shieh e Yang (2008), Yang (2011) e Lin et al. (2012) para a definição do campo das propriedades em um Sistema de Engenharia Kansei. Os autores seminais, assim como os autores que aplicaram o método de decomposição dos HIE para a definição do campo das propriedades em Sistemas de Engenharia Kansei utilizam os termos “elementos” e “componentes” como subdivisões do produto. As propriedades são obtidas como resultado final da aplicação do método de decomposição dos HIE. De acordo com Kwahk e Han (2002), os elementos de interface são definidos como os componentes que afetam a usabilidade do produto. Para os produtos eletrônicos com interface audiovisual são definidos 41 elementos de interface de referência, listados na Tabela 15. Estes elementos foram obtidos a partir de um levantamento extenso na literatura de Ergonomia, Design, em Normas, e da avaliação de, aproximadamente, 500 produtos classificados como produtos eletrônicos com interface audiovisual, tais como videocassette recorders, compact disk players, digital vídeo-disk players. Os elementos de interface19 são divididos em elementos de hardware, i.e., os elementos físicos da interface (subdivididos nas categorias “control”, “display”, “loading mechanism”, “connector”, “control panel/conector panel”, “body/chassis”), e elementos de software, i.e., os elementos programados ou programáveis da interface (subdivididos nas categorias “displayed items”, “menu”, “system

18 No original, em Kwahk e Han (2002), audiovisual consumer electronic products. 19 Optou-se pelo uso dos termos em inglês, conforme trabalho original (KWAHK; HAN, 2002), com a intenção de preservar o significado. 70

message”, “feedback”, “form”, e “help”). Tabela 15. Lista de elementos de interface identificados por Kwahk e Han (2002) Grupo Subgrupo Elementos de interface Hardware Control Switch (toggle switch, rocker switch) Button (push, tactile) Slider (continuous control slider, discrete slider) Knob (continuous control knob, selector knob, ganged knob, jog, shuttle) Thumb Wheel Display Display panel Status indicator Analog level meter Direct reading counter Loading mechanism Single-media loading type (open-front, open-top, cartridge- tray, slot-in) Multiple-media loading type (carrousel tray, file type) Grouped loading mechanism Connector Control panel/conector panel Body/chassis Software Displayed items Digitized-bar level meter Numerical item Verbal item (text, animated text, spoken) Nonverbal item (sound, icon, animated icon, image, animation) Menu Built-in display menu On-screen display menu System message Feedback Form Help Fonte: Kwahk e Han (2002)

No trabalho de Kwahk e Han (2002), os elementos de interface são desdobrados em propriedades. As propriedades são divididas em propriedades individuais, que consistem em um elemento de interface isolado, e propriedades inter-elementos, que derivam da inter- relação (interação e integração) entre dois ou mais elementos de interface. As propriedades individuais são classificadas em dois grupos: estáticas, i.e., que não mudam ao longo do tempo (e.g., tamanho, forma, cor, textura, material, polimento) e dinâmicas (e.g., ruído, velocidade, deslocamento, resistências). As propriedades inter-elementos são, também, classificadas em dois grupos: propriedades de integração, que emergem quando dois ou mais elementos de interface são agrupados (e.g., combinação, proximidade, seqüenciamento), e propriedades de interação, que emergem quando ocorre interação entre dois ou mais elementos de interface (e.g., tipo de comando e resposta, tipo de bloqueio). Kwahk e Han (2002) referem o trabalho seminal Kwahk (1999), no qual são apresentadas as propriedades identificadas no levantamento, 295 propriedades para os 41 Elementos de Interface Humana,

porém não foi possível acessar o trabalho.

Figura 5. Hierarquia do método de decomposição dos Elementos de Interface Humana

Fonte: traduzido de Lin et al. (2012)

Lin et al. (2012) estrutura um passo-a-passo para a aplicação do método de decomposição dos Elementos de Interface Humana, conforme apresentado no esquema da Figura 5. Inicialmente, os elementos dos produtos são divididos em dois tipos, elementos de interface de hardware e de software. Os elementos de interface de hardware são decompostos em componentes20 funcionais e componentes não funcionais. Os componentes funcionais são aqueles que permitem a entrada e saída de informações, então, são divididos de acordo com este critério. Os componentes não funcionais são aqueles que não permitem a entrada e saída de informações. Depois de identificados os componentes funcionais (de entrada e saída) e não funcionais, são desdobrados em propriedades21 considerando o uso dos canais visual, auditivo, táctil e olfativo. Os elementos de interface de software são desdobrados em propriedades considerando unicamente o uso do canal visual. Finalmente, são selecionadas as propriedades

20 O termo ‘componente’ é utilizado, em Lin et al. (2012), para designar o estágio intermediário no desdobramento dos Elementos de Interface Humana, uma subdivisão dos HIE. 21 Em Lin et al. (2012), é utilizado o termo ‘elemento’ novamente, porém, neste caso, a acepção é similar à identificada em Kwahk e Han (2002) para o termo ‘propriedade’, que corrobora ao termo classicamente empregado na literatura de Engenharia Kansei. A escolha pela alteração do termo originalmente utilizado por Lin et al. (2012) é feita com a intenção de tornar o texto mais didático e harmônico, mas, sobretudo, objetiva minimizar ambigüidade e inconsistência terminológica neste trabalho. 72

inter-elementos 22 , i.e., que resultam da combinação das propriedades previamente identificadas (e.g., proporção entre largura e altura do display, elemento que correlaciona as propriedades visuais largura e altura, e influencia no estilo do produto). No Apêndice D são apresentadas as 90 propriedades identificadas para o produto ‘telefone celular’ em Lin et al. (2012).

4.3. Web Usage Mining

De acordo com Grace, Maheswari e Nagamalai (2011), Web Usage Mining aplica métodos de mineração de dados com o propósito de identificar padrões de navegação de usuários que visitam um web site. Os padrões de navegação dos usuários são obtidos dos arquivos de log, i.e., arquivos que registram as informações e ações do usuário relacionadas à navegação páginas de web sites. Os arquivos de log, de acordo com Jain, Kasanal e Jain (2009) (apud GRACE; MAHESWARI; NAGAMALAI, 2011), contêm as seguintes informações: user name, identifica o usuário que acessa um web site; visiting path, indica o trajeto realizado pelo usuário durante a navegação; path traversed, indica o trajeto realizado pelo usuário dentro de um web site utilizando os links da página; time stamp, indica o tempo despendido pelo usuário em cada página enquanto navega no web site; page last visited, é a última página visitada pelo usuário antes de sair do web site; success rate, está relacionada ao número de downloads e/ou compras realizadas pelo usuário; user agent, descreve o tipo e a versão de navegador utilizado pelo usuário; URL, é o recurso acessado pelo usuário; request type, indica o método usado para transferência de informações. O método de Web Usage Mining é aplicado em três partes (YANG; WANG; KITSUREGAWA, 2006). A primeira parte, denominada pré-processamento de dados é dividida em três etapas: (1) data cleaning, etapa na qual são removidas informações irrelevantes e/ou redundantes, tais como imagens, gráficos, etc.; (2) user identification, etapa na qual são identificados os usuários, o que pode ocorrer pelo IP ou pelo login de acesso ao site, por exemplo; (3) session identification, etapa na qual são identificadas as sessões de navegação dos usuários, i.e., o conjunto de páginas visitadas por um dado usuário em um período de tempo pré-definido. Por fim, os arquivos de log são convertidos para o formato desejado, para a execução dos algoritmos de mineração (GRACE; MAHESWARI;

22 Substitui o termo ‘elementos correlativos’, tradução livre do termo ‘correlative elements’, usado em Lin et al. (2012), pelo termo utilizado na literatura seminal (KWAHK; HAN, 2002) ‘propriedades inter-elementos’, tradução livre de ‘inter-element properties’. A intenção é minimizar a ambigüidade e inconsistência terminológica neste trabalho. 73

NAGAMALAI, 2011). Na segunda parte, denominada descoberta de padrões, são utilizados métodos de mineração para a identificação de padrões. Grace, Maheswari e Nagamalai (2011) descrevem quatro tipos de algoritmos: path analysis, apresenta o caminho realizado pelos usuários no web site, na forma de um grafo cujos nós representam as páginas dentro de um mesmo site, sendo indicado o número de usuários que acessaram uma dada página; association rules, identificam a correlação entre usuários, páginas, links, etc., “onde a presença de um conjunto de itens em uma transação implica a presença de outros itens” (GRACE; MAHESWARI; NAGAMALAI, 2011); sequential patterns, identifica a seqüência/ordem com que os usuários navegam pelas páginas em um dado site, i.e., o comportamento de navegação do usuário; clusters and classification rules, permitem classificar/agrupar os perfis de usuários com características similares. Por fim, na terceira parte, denominada análise de padrões, são eliminadas (i.e. filtradas) as regras e padrões que não serão utilizadas para a análise. Grace, Maheswari e Nagamalai (2011) sugerem alguns mecanismos para realizar esta tarefa, tais como Site Filter, mWAP (Modified Web Access Pattern), EXT-Prefixspan e BC-WAPT. Os métodos de mineração do tipo Web Usage Mining são aplicados, especialmente, para minimizar o problema da dispersão em Sistemas de Recomendação do tipo Colaborative Filtering, a exemplo dos trabalhos de Cho e Kim (2004) e Albadvi e Shahbazi (2009). Nesse sentido, são identificados padrões de comportamento de usuários com base em seus comportamentos de compra em uma loja virtual. Na proposta dos autores, o interesse de um usuário por um dado produto é identificado indiretamente, a partir de dados implícitos, considerando as seguintes ações: (a) visualização da página com descrição do produto; (b) envio de um produto para o cesto de compras; e, (c) compra efetiva de um produto. Nos métodos tradicionais, que requisitam avaliação direta dos produtos pelos usuários, a ausência de avaliações para produtos nunca comprados pelos usuários, por exemplo, reduziria a probabilidade de recomendação desses produtos e dificultaria a identificação da similaridade entre perfis de compra de usuários, pois os Sistemas de Recomendação do tipo CF requerem uma quantidade mínima de avaliações para que seja possível fornecer recomendações confiáveis e acuradas (ALBADVI; SHAHBAZI, 2009).

4.4. Método de agrupamento por Escalonamento Multidimensional (MDS)

De acordo com Mingoti (2007), o método do agrupamento por Escalonamento Multidimensional (MDS) objetiva reduzir as dimensões de variáveis, ou objetos, preservando as distâncias, similaridades ou dissimilaridades existentes entre eles. Há dois tipos de MDS, o 74

métrico e o não métrico. Neste trabalho é utilizado o Escalonamento Multimensional métrico, que é útil para o caso em que as variáveis, ou objetos, são representados por variáveis não paramétricas nominais. Para o agrupamento utilizando o método MDS é necessário ter como entrada uma matriz de similaridades, ou dissimilaridades, entre as variáveis ou objetos, matriz

, cujos elementos são representados genericamente por . Desta matriz é obtida uma matriz , na qual os elementos são o resultado da aplicação da Equação 1:

(Equação 1)

Sendo e as matrizes de autovetores e autovalores, respectivamente, da matriz , é gerada uma nova matriz, denominada , cujos elementos são os autovetores para os quais os autovalores são diferentes de zero. Os autovalores correspondentes podem ser representados pela . Considerando que o escalonamento objetiva a obtenção de dimensões, então, existem autovalores que diferem de zero. Da multiplicação entre a matriz pela raiz quadrada da matriz , é obtida a matriz , que contém os vetores com os valores das novas coordenadas, ou dimensões. Para verificar se as novas dimensões preservam as distâncias, ou dissimilaridades, originais, pode ser utilizada uma medida denominada Stress (standardized residual sum of squares) (MINGOTI, 2007). É calculada utilizando a Equação 2.

(Equação 2)

Onde, representa as distâncias, ou dissimilaridades, originais entre os objetos e ; e, representam as distâncias, ou dissimilaridades, nas novas dimensões. A qualidade do ajuste pode ser avaliada conforme os valores de referência mostrados na Tabela 16, (KRUSKAL, 1964a apud MINGOTI, 2007).

Tabela 16. Valores de Stress de referência Stress (%) Qualidade do ajuste 20 Ruim 10 Razoável 5 Bom 2.5 Excelente 0 Perfeito

4.5. Método de agrupamento por Variância Mínima (Ward)

De acordo com Hair et al. (2010), é classificado como um método de agrupamento hierárquico e tem por propósito combinar grupos, num processo iterativo, onde em cada passo de cálculo procura-se minimizar a função objetivo associada a cada par de agrupamentos (clusters), i.e., durante as iterações o par de agrupamentos com menor distância é reunido em um novo grupo. As iterações finalizam quando é formado um único agrupamento, que abrange todos os grupos formados anteriormente, constituindo uma hierarquia que indica o grau de proximidade entre os grupos iniciais. O procedimento pode ser descrito em três passos (HAIR et al., 2010): (1) os objetos existentes são definidos como os grupos iniciais, ; (2) os grupos mais similares são combinados em um novo agrupamento, assim o número de grupos se torna -1; (3) são realizadas novas iterações, conforme descrito no segundo passo, até que reste um único agrupamento. No método de Ward, a medida utilizada para a identificação da similaridade entre os grupos, objetos, iniciais é o quadrado da Distância Euclidiana. O quadrado da Distância Euclidiana é calculada pela Equação 3.

(Equação 3)

Onde, é a distância entre os objetos, definidos como grupos unitários, e ; e são, respectivamente, os vetores que descrevem os objetos e ; é o índice que define a posição nas variáveis dentro dos vetores e . Na segunda iteração (e posteriores), a cálculo da similaridade entre os grupos pode ser feito utilizando a fórmula recursiva, o algoritmo de Lance e Williams (1966; 1967), conforme apresentado em Day e Edelsbrunner (1984). De acordo com o algoritmo Lance- Williams, o grau de similaridade entre os grupos pode ser calculado pela Equação 4:

(Equação 4)

Onde os valores para os parâmetros , , e , para o caso do método de Ward, são (DAY; EDELSBRUNNER, 1984):

(Equação 5)

(Equação 6)

(Equação 7)

(Equação 8)

Realizando as substituições, tem-se a Equação 9:

(Equação 9)

Onde, é a distância entre o agrupamento , que reúne os grupos iniciais e , e o grupo ; , e são, respectivamente, os pares de distâncias entre os grupos , e , calculados na primeira iteração do método de Ward; , e são, respectivamente, os números de objetos, i.e., grupos iniciais utilizados como base para a primeira iteração, contidos nos grupos , e . Sendo a Equação 9 recursiva, nas iterações posteriores os valores das distâncias são atualizados com base nos valores obtidos dos cálculos realizados na iteração precedente. A notação utilizada é a de Day e Edelsbrunner (1984).

4.6. Método de agrupamento k-médias (k-means)

O método k-means é um método de análise de cluster não hierárquico cujo propósito é permitir a identificação de grupos de objetos em uma base de dados. Foi escolhido para aplicação neste trabalho com o propósito de auxiliar na identificação de grupos de usuários com interesses de compra similares. Dessa forma, torna-se possível selecionar produtos representativos para cada agrupamento, o que constitui a delimitação do domínio de um Sistema de Engenharia Kansei. Trata-se de método amplamente validado e aplicado em Sistemas de Recomendação, a exemplo das aplicações de Choi, Kang e Jeon (2006) e Kim e Ahn (2008), figurando entre os sete principais tipos de métodos utilizados para o desenvolvimento de Sistemas de Recomendação, conforme Park et al. (2012). Para aplicação do método k-means, de acordo com Johnson e Wichern (2002), é

necessário definir, inicialmente, um número de grupos, i.e., uma partição de um grupo de objetos em agrupamentos. Essa definição inicial pode ser solucionada utilizando uma aplicação inicial de método hierárquico para análise de cluster, escolha aleatória, ou a partir do repertório do pesquisador (QUINTAL, 2006). Neste trabalho, o método hierárquico utilizado é o método de Ward. Inicialmente, são definidos centróides hipotéticos, correspondentes a uma quantidade de grupos estabelecida utilizando método hierárquico. É calculada a Distância Euclidiana entre os centróides e os objetos presentes na base de dados. Os objetos são agrupados em torno dos centróides, considerando a minimização da Distância Euclidiana. Os agrupamentos devem possuir homogeneidade interna e heterogeneidade com relação aos outros grupos formados. É calculado um novo centróide para cada agrupamento formado (NUNES, 2009), aplicando a Equação 10. Essa Equação calcula a média entre os objetos de um dado agrupamento.

(Equação 10)

Onde, é o vetor que descreve o novo centróide; é o vetor que representa os objetos presentes em um agrupamento; e, é a quantidade de objetos que compõem um agrupamento. Depois de calculado o novo centróide, é identificada, novamente, a distância entre o novo centróide e os objetos existentes. São realizados novos agrupamentos, considerando os novos centróides. Esse procedimento é iterativo e realizado até que a variação dos objetos nos agrupamentos seja mínima, ou até que o critério de convergência seja satisfeito (QUINTAL, 2006).

4.7. Distância Euclidiana

O cálculo da Distância Euclidiana entre objetos é feito em pares utilizando a Equação 11:

(Equação 11)

Onde, é o valor da Distância Euclidiana entre os objetos e . e são, respectivamente, os vetores que descrevem os objetos e .

4.8. Coeficiente de Correlação Pearson

De acordo com Walpole et al. (2012), o Coeficiente de Correlação Pearson mede a correlação linear entre duas variáveis. De acordo com Walpole et al. (2012), esta correlação é estabelecida pela Equação 12.

(Equação 12)

Onde, e são vetores cujo nível de correlação será medido; e são as médias aritméticas dos elementos dos vetores e ; e, a quantidade de elementos de

e . Os valores de similaridade podem variar de -1 a 1. Quando o valor for diferente de zero, há correlação linear entre as variáveis (MONTGOMERY; RUNGER, 2003). Caso o valor seja positivo, a correlação é positiva, do contrário, a correlação é negativa.

4.9. Método dos arranjos ortogonais de Taguchi

De acordo com Kacker, Lagergren e Filliben (1991), um arranjo ortogonal de elementos, denotado por , na notação de Taguchi , é uma matriz cujos elementos formam pares ordenados de elementos que se repetem, exatamente, o mesmo número de vezes a cada par de colunas. As colunas correspondem aos fatores e as linhas aos experimentos, ou ensaios. Em um arranjo ortogonal , indica uma fração do total de possíveis experimentos, , de um plano fatorial completo, considerando fatores, cada qual contendo níveis de ensaios dos fatores. Quando há quantidades diferentes de níveis de ensaios, o arranjo ortogonal é simbolizado por , no qual colunas contêm níveis, e colunas contêm níveis. No trabalho de Taguchi, Chowdhury e Wu (2005) são apresentados os arranjos ortogonais, com respectivos gráficos lineares, utilizados com mais frequência. O propósito desses arranjos ortogonais desenvolvidos por Taguchi é auxiliar no planejamento de experimentos pela seleção de características que enfoquem nos efeitos principais; e, aumentar a eficiência e reprodutibilidade de experimentos em menor escala. Os arranjos apresentados por Taguchi, Chowdhury e Wu (2005) são: , , , , ,

, , , , , , , ,

, , , e .

5. ROTINA COMPUTACIONAL PARA DEFINIÇÃO DO CAMPO DAS

PROPRIEDADES

Este capítulo apresenta o arcabouço em alto nível do procedimento automático para apoiar o processo de definição do campo das propriedades utilizando inputs de usuários/consumidores em uma loja virtual, algoritmo Kansumers, na seção 5.1. Descreve a estrutura matemática e apresenta a rotina computacional que a viabiliza, nas seções 5.2-5.15.

5.1. Arcabouço do procedimento automático Kansumers

O procedimento automático Kansumers pode ser localizado, no arcabouço genérico elaborado por Schütte (2002; 2005), conforme mostrado na Figura 6. Pode ser dividido em 14 Etapas, detalhadas na Figura 7.

Figura 6. Localização do procedimento Kansumers na estrutura de um Sistema de Engenharia Kansei genérico conforme estabelecido por Schütte (2002; 2005)

Figura 7. Etapas preliminares do procedimento automático proposto Kansumers para a definição do campo das propriedades em um Sistema de Engenharia Kansei

A realização das Etapas Preliminares permite que sejam obtidas duas matrizes de entrada para o algoritmo Kansumers: (1) matriz binária de perfis de produtos, em que representa o produto e uma determinada propriedade associada ao produto; e, (2) matriz

de acessos/ações de consumidores/usuários à loja virtual, em que representa o usuário e um determinado tipo de ação para um produto específico. Nestas Etapas são cadastrados os produtos em uma dada loja virtual, considerando suas propriedades, i.e., itens/categorias. Também, é selecionado e utilizado software ou plataforma para mineração/análise de dados de acessos de usuários/consumidores às páginas do produto, baseado no método Web Usage Mining. A exeqüibilidade dessas Etapas é mostrada no Apêndice H, sendo um pré-requisito para a consecução das Etapas 1.1 a 1.14, apresentadas na seções 5.2 a 5.15. O algoritmo Kansumers foi implementado no programa Scilab 5.4.1 e está, integralmente, no Apêndice D.

5.2. Extração de matriz de perfil de produtos (Etapa 1.1)

Considere um tipo de produto, por exemplo, telefone celular. Suponha que se deseja definir o campo das propriedades em um Sistema de Engenharia Kansei, considerando um conjunto inicial elevado de produtos, variando de 1, ..., , disponível para comercialização em uma loja virtual, e considerando as preferências de consumidores. Na Etapa 1.1 é extraída a matriz de perfis de produtos. Esta matriz apresenta uma descrição dos produtos em termos de suas características técnicas, com a intenção de proporcionar uma descrição objetiva, que não varie de um observador a outro. As características técnicas dos produtos, na matriz extraída, são apresentadas em termos dos itens, elementos de design do produto, e das variações em cada item, categorias, conforme recomendações de Nagamachi e Lokman (2011). Estas variações podem ser, inclusive, a ausência de um dado item. Assim, para os produtos disponíveis em uma dada loja virtual, pode-se definir uma lista limitada de itens/propriedades, variando de 1, ..., . Esta lista de produtos versus itens/propriedades, consiste em uma matriz na qual os produtos são descritos utilizando variáveis dummy, i.e., para cada produto é informado se este contém/possui (‘1’) ou não (‘0’) uma determinada propriedade. Uma matriz binária que contém os perfis dos produtos. No algoritmo Kansumers esta matriz é carregada de um arquivo .txt, cujas linhas são os produtos e as colunas as propriedades. Esse arquivo .txt, em casos reais, pode ser obtido, após organização dos dados, da lista de produtos cadastrada na loja virtual exportada em planilha Excel, por exemplo.

5.3. Extração de matriz de acessos de usuários/consumidores em loja virtual (Etapa 1.2)

Suponha que para o conjunto inicial de produtos disponível para comercialização em uma loja virtual, é possível identificar quais os preferidos para um conjunto de consumidores que acessaram as páginas dos produtos, num período limitado. Esta informação é captada dos perfis desse conjunto de usuários, a partir dos interesses e preferências de compra, utilizando Web Usage Mining (CHO; KIM, 2004), que capta padrões de navegação de consumidores na loja virtual dos arquivos de log (GRACE; MAHESWARI; NAGAMALAI, 2011). Os perfis dos consumidores/usuários, em termos de interesses ou preferências de compra, são apresentados como a quantidade de vezes que os consumidores realizam as ações (CHO; KIM, 2004): (1) visualização da página do produto; (2) envio do produto para o carrinho ou cesto de compras; e, (3) compra do produto. Por outro lado, o grau de preferência de um conjunto de consumidores/usuários por um dado produto é medido como a quantidade de vezes relativa com que esses realizam tais ações, considerando um conjunto de produtos inicial.

A matriz resultante, , é organizada de modo que as linhas são os consumidores/usuários, e as colunas as ações 1, 2 e 3 para cada produto do conjunto inicial de produtos. Essa matriz pode ser obtida, por exemplo, da criação de funis de vendas para os produtos na plataforma Google Analytics, conforme descrito no Apêndice H. No caso do Google Analytics, uma planilha é gerada com os indicativos da realização das três ações, o que deve ser configurado pelo administrador, para os consumidores/ usuários que realizaram acessos em um período de tempo escolhido.

5.4. Ponderação e consolidação das avaliações indiretas de consumidores/usuários no nível do produto (Etapa 1.3)

A matriz de avaliação indireta no nível do produto pode ser representada por , onde varia de 1, ..., (i.e. número total de usuários), e varia de 1, ..., (i.e., número total de produtos). Tem-se que:

(Equação 12)

Onde cada elemento da matriz é dado por:

(Equação 13)

Onde , e representam os pesos atribuídos às ações 1, 2 e 3, respectivamente; representa as ações de visualização feitas por um usuário em

relação a um produto ; representa as ações de envio para o carrinho de compras feitas

por um usuário em relação a um produto ; e, representa as ações de compra feitas por

um usuário em relação a um produto . Os valores , e são calculados como a soma das ações realizadas em um horizonte de tempo predeterminado, e indicam o comportamento do usuário durante o processo de compra.

Os pesos , e são atribuídos para cada tipo de ação, conforme Cho e Kim (2004), de modo que as ações de compra signifiquem mais que as ações de visualização. No exemplo de Cho e Kim (2004), as ações são ponderadas com a intenção de resultar na seguinte classificação final de produtos: {produtos somente comprados} são mais importantes que {produtos somente enviados ao carrinho de compras} são mais importantes que {produtos somente acessados} são mais importantes que {produtos nunca acessados}.

5.5. Identificação das avaliações indiretas de consumidores no nível das propriedades (Etapa 1.4)

Utilizando as avaliações indiretas no nível do produto, podem ser obtidas as avaliações indiretas no nível das propriedades. Esta etapa é importante para a equipe de projetos identificar quais características relacionadas ao survey target dos produtos são consideradas mais relevantes para um dado grupo de consumidores/usuários que acessa a loja virtual em um período. A matriz de avaliações indiretas no nível das propriedades é obtida da multiplicação da matriz de avaliações indiretas no nível do produto pela matriz binária de perfis de produtos.

(Equação 14)

A matriz de avaliações indiretas de produtos no nível da propriedade pode ser representada pela Equação 15.

(Equação 15)

Onde cada elemento da matriz varia em de 1, ..., (i.e., número total de usuários), e em de 1, ..., (i.e., número total de propriedades). O Algoritmo 1 gera a matriz .

Algoritmo 1. Obtenção da matriz contendo as avaliações indiretas no nível das propriedades

i=1; while i<= size(A,2) P=[PA(:,i)*W1+A(:,i+1)*W2+A(:,i+2)*W3] i=i+3 end C=P*B End

5.6. Agrupamento de usuários/consumidores utilizando método hierárquico (Etapa 1.5)

Depois de obtida a matriz , que consolida as avaliações indiretas dos consumidores no nível das propriedades, é aplicado método agrupamento hierárquico para auxiliar o pesquisador/Engenheiro Kansei na definição da quantidade de clusters. Essa decisão é importante para que possam ser formados clusters mais homogêneos na Etapa 1.6, utilizando o método de agrupamento não-hierárquico k-médias. O código para a exeqüibilidade da Etapa 1.5 utiliza a macro “dendrogam” da caixa de ferramentas IPT3 (Anexo E).

5.7. Agrupamento de usuários/consumidores utilizando método não-hierárquico (Etapa 1.6)

No agrupamento não-hierárquico, os usuários são agrupados em um número de clusters, , pré-definido com base no resultado da Etapa 1.5. Inicialmente, os primeiros centróides, , são identificados e é calculada a proximidade entre usuários e centróide, em cada cluster usando a distância Euclidiana. Os usuários são agrupados de acordo com a distância usuário-centróide, i.e., um dado usuário pertence ao grupo cujo centróide está mais próximo.

(Equação 16)

Onde, é o vetor centróide, cujo número de colunas varia de , ..., . Um novo centróide é estabelecido da média dos usuários de um determinado grupo. O procedimento é repetido iterativamente até que não haja variações significativas na distância entre usuários e centróide, em cada grupo. O centróide em cada iteração é calculado

de acordo com a Equação 17.

(Equação 17)

Onde, é o centróide do cluster ; e representa o número total de usuários pertencente a um dado cluster. A formação dos grupos de usuários usando o método não-hierárquico k-médias é realizada pela função nan_kmeans, NaN-Toolbox, disponível no Scilab®.

5.8. Cálculo da similaridade entre centróide e usuários/consumidores para os clusters (Etapa 1.7)

O cálculo da similaridade entre centróide e usuários em cada cluster é efetuado utilizando o coeficiente de correlação de Pearson. O cálculo de similaridade entre o usuário e o centróide , de um dado cluster, é calculado pela Equação 18.

(Equação 18)

O código para o cálculo do coeficiente de correlação de Pearson entre centróide e usuários/consumidores é apresentado no Algoritmo 2.

Algoritmo 2. Cálculo da similaridade entre usuários e centróide em cada cluster for j=1:Nc; for C(i,:) cluster j Pearson(C(i,:),CTR(j,:)) end end

5.9. Cálculo da similaridade entre produtos e usuários/consumidores para os clusters (Etapa 1.8)

O cálculo da similaridade entre o usuário e o produto , de um dado cluster, é calculado pela Equação 19.

(Equação 19)

Os cálculos de similaridade entre usuários-produtos em cada cluster são 86

implementados pelo Algoritmo 3.

Algoritmo 3. Cálculo da similaridade entre usuários e produtos em cada cluster for i =1:Nu for k=1:Np Pearson(C(i,:),B(k,:)) end end

5.10. Cálculo dos escores de avaliação indireta para os produtos em cada cluster (Etapa 1.9)

Nesta Etapa, os escores de avaliação indireta são calculados, permitindo o ranking de produtos pelo grau de importância para um dado grupo de consumidores/usuários. Um produto é classificado em posição superior a outros quando suas propriedades têm maior aderência às propriedades mais bem avaliadas pelos usuários com comportamento de compra mais similar ao usuário-médio (i.e., o centróide), em cada cluster. Nesta Etapa é aplicado o método MSP-MSU (recommendation of the Most Similar Products to the Most Similar Users), descrito em Albadvi e Shahbazi (2009), que calcula os escores de avaliação indireta usando os valores de similaridade entre usuários-vizinhos e usuário-alvo, e entre usuários-vizinhos e produtos. Neste trabalho, os usuários-vizinhos são todos os usuários contidos em um cluster e o usuário-alvo é um usuário hipotético, chamado usuário-médio ou centróide. Esta alteração é necessária, pois a recomendação esperada aqui é um ranking dos produtos que representam as preferências de um grupo específico de usuários, tornando possível caracterizar este nicho de mercado. O cálculo dos escores de avaliação indireta é dado pela Equação 20.

(Equação 20)

A geração do ranking de produtos baseado nos escores de avaliação indireta, para cada grupo, são implementados pelo Algoritmo 4.

Algoritmo 4. Obtenção do ranking de produtos baseado nos escores de avaliação indireta em cada cluster for j=1:Nc; for i=1:Np; Soma = 0 for k=1:Nu; Soma = Soma + Pearson(C(i,:),CTR(j,:))*Pearson(C(i,:),B(k,:)) end Score = Soma end end

5.11. Cálculo de similaridade entre produtos (Etapa 1.10)

A matriz de similaridade entre produtos, denominada matriz , é obtida do cálculo da distância Euclidiana entre os produtos da matriz . A matriz contendo as distâncias entre os produtos é implementada pelo Algoritmo 5.

Algoritmo 5. Obtenção da matriz D=[]; for i=1:size(B,1); for j=1:size(B,1); D(i,j)=(B(i,:)-B(j,:))*(B(i,:)-B(j,:))' end end

5.12. Redução da dimensionalidade dos produtos usando MDS (Etapa 1.11)

A matriz contendo as distâncias entre produtos, , é usada para a redução dimensional dos produtos pelo método do Escalonamento Muldimensional (MDS), preservando a similaridade ou dissimilaridade que o conjunto de produtos tem mutuamente.

Como resultado é obtida uma matriz reduzida dos produtos, , implementada pelo

Algoritmo 6. Onde, são as novas dimensões dos produtos, variando de 1, ..., . O número de dimensões é estabelecido baseado no valor de Stress, dado pela Equação 21. O número de dimensões que minimiza o valor do Stress é o ideal. Para casos empíricos, o número de dimensões varia de 2 a 6 (LAI et al., 2006).

(Equação 21)

Onde, é um índice que indica a matriz transformada obtida pelo MDS method;

e são quaisquer dois produtos pertencentes a matriz ; , a distância Euclidiana entre os produtos e na matriz original ; e, , a distância Euclidiana entre os produtos na matriz transformada .

Algoritmo 6. Obtenção da matriz considerando o valor de stress mais baixo for i=1:Np; // Determinação da matriz MA usada na redução dimensional da matriz B I1(i,1)= 1 // Vetor de 1's for j=1:Np; // D2 é a matriz dos elementos da matriz D ao quadrado D2(i,j)=[(B(i,:)-B(j,:))*(B(i,:)-B(j,:))']^2 end end MA = -0.5*[I - (1/Np)*I1*(I1)']*D2*[I-(1/Np)*I1*(I1)'] // I é a matriz identidade [Vetor, Valor]=spec(MA) // Determinação dos autovalores e autovetores da matriz MA for i=1:Nval; // Nval indica o número de autovalores for j=1:Nval; ValorRaiz(i,j) = sqrt(abs(Valor(i,j))) // Cálculo da raiz quadrada dos autovalores end end for i=1:Nvet // Nvet indica o número de autovetores VetorRed = Vetor(:,1:i); // Autovetores usados para a redução dimensional ValorRaizRed = ValorRaiz(1:i,1:i)//Autovalores usados na redução dimensional Y = VetorRed*ValorRaizRed Dq = Euc(Y) // Cálculo da nova matriz de dissimilaridade for j=1:Np for k=j+1:Np Numerador = Numerador + (D(j,k)-Dq(j,k))^2 Denominador = Denominador + D(j,k)^2 end end STRESS = ((Numerador/Denominador))^(0.5); if STRESS <ε then // ε é a tolerância break end end Y = VetorRed*ValorRaizRed;

5.13. Agrupamento de produtos por similaridade utilizando método hierárquico (Etapa 1.12)

Considerando as novas dimensões para os produtos, apresentadas na matriz transformada , é realizado agrupamento dos produtos utilizando o método hierárquico de Ward. De acordo com o valor de corte, possíveis clusters são identificados para um dado conjunto de produtos.

5.14. Identificação de grupo de produtos mais dissimilares (Etapa 1.13)

Para cada um dos clusters definidos na Etapa 1.12 é identificado um centróide e calculada a distância entre os produtos pertencentes ao grupo e respectivo centróide. Em cada grupo é selecionado o produto com menor distância com relação ao centróide. Então, a lista com os produtos selecionados é gerada. Estes produtos representam os mais dissimilares do conjunto inicial de produtos. Esta Etapa é implementada pelo Algoritmo 7.

Algoritmo 7. Geração de lista de produtos baseada na dissimilaridade for i=1:Nc; // Determinação do centróide em cada cluster for j=1:Np; if Y(j,:) ϵ Cluster i then Soma = Soma + Y(j,:) n = n+1 end end CTR(i,:) = Soma/n end for i=1:Nc;// Cálculo das distâncias entre os centróides for j=1:Np; if Y(j,:) ϵ Cluster i then dist = nan_pdist(Y(j,:) ; CTR(i,:)) ifdist== min(i)then // Obtenção dos produtos dissimilares Y(j,:) ϵ {produtos dissimilares} end end end end

5.15. Ranking/geração de recomendação de produtos representativos do domínio (Etapas 1.14)

Nesta Etapa, a recomendação final é gerada. A recomendação final é uma lista dos produtos mais dissimilares, obtidos na Etapa 1.13, classificados usando os escores de avaliação indireta, obtidos na Etapa 1.9. Assim, os produtos representativos do domínio podem ser selecionados usando a técnica top-N (ALBADVI; SHAHBAZI, 2009). Uma quantidade mínima de produtos representativos do domínio Kansei pode ser definido considerando dois aspectos fundamentais, i.e., maior dissimilaridade entre produtos (variabilidade) e aderências às preferências e interesses dos consumidores em cada cluster. O Algoritmo 8 implementa a recomendação final de produtos, i.e., uma lista viável de produtos representativos do domínio Kansei.

Algoritmo 8. Geração da recomendação de produtos representativos do domínio Kansei // Integração entre os resultados das recomendações obtidas nas Etapas 1.13 e 1.9 for j=1:Nc // Ordenação dos produtos considerando os escores de avaliação indireta for k = 1:Nrep // Total de produtos representativos do domínio if produto ka and produto kb ϵ{ produtos representativos} & score(ka) > score(kb) then produto ka above produto kb end end end

6. TESTE DO ALGORITMO E DISCUSSÃO DOS RESULTADOS

Este capítulo apresenta o procedimento para avaliação do algoritmo Kansumers, na seção 6.1. Apresenta os segmentos de propriedades e cenários de produtos utilizados nos experimentos, na seção 6.2. Descreve os experimentos para teste e avaliação do algoritmo Kansumers, nas seções 6.3-6.5. Apresenta a análise dos resultados dos experimentos, na seção 6.6.

6.1. Arcabouço do procedimento para avaliação do algoritmo

O procedimento para teste e avaliação do algoritmo Kansumers foi desenvolvido em cinco principais Etapas, esquematizadas na Figura 8.

3 4

Figura 8. Etapas do procedimento de avaliação do algoritmo Kansumers

Na Etapa 1 são segmentadas as propriedades do produto, com a intenção de tornar os experimentos de fácil manipulação. Essa segmentação permite a seleção de uma menor quantidade de produtos representativos do domínio, para utilização nas Etapas posteriores de um Sistema de Engenharia Kansei. Os segmentos de propriedades do produto utilizados nos experimentos são apresentados na seção 6.2, subseção 6.2.1. Na Etapa 2 são definidos os cenários de produtos para a realização do teste do algoritmo Kansumers. Os cenários são grupos iniciais de produtos, utilizados como entrada para o algoritmo. Esses grupos de produtos variam em grau de heterogeneidade, de acordo com as propriedades incluídas em cada agrupamento. Os cenários de produtos utilizados nos experimentos são apresentados na seção 6.2, subseção 6.2.1.

Na Etapa 3 são realizados os experimentos que objetivam demonstrar a exequbilidade do algoritmo Kansumers na definição do campo das propriedades utilizando inputs de consumidores. Cada experimento corresponde à utilização de um dos cenários definidos na Etapa 2, de modo que a quantidade de experimentos é equivalente à quatidade de cenários. A descrição dos experimentos e os principais resultados, i.e., outputs, são apresentados nas seções 6.2, 6.3, 6.4 e 6.5. Na Etapa 4 são definidos grupos de produtos representativos do domínio Kansei referenciais. Um grupo de produtos representativo do domínio é desenvolvido para cada segmento de propriedades definido na Etapa 1, utilizando Arranjos Ortogonais de Taguchi. Os grupos de produtos referenciais são utilizados como um resultado ideal em processo de definição do campo das propriedades hipotético. É aplicada medida de similaridade entre o resultado ideal e os resultados obtidos nos experimentos. Os grupos de produtos representativos referenciais e a equiparação com os resultados obtidos nos experimentos são apresentados na seção 6.6.

6.2. Etapas preliminares de tratamento dos dados de entrada

Considere o produto telefone celular. Suponha que se deseje estruturar um Sistema de Engenharia Kansei para apoiar o projeto de um telefone celular com base no perfil de consumidores de uma loja virtual, considerando os acessos realizados em um período de tempo específico (e.g., acessos realizados em janeiro de 2016). Primeiramente, é necessário desdobrar o produto enfocado em itens e categorias (i.e., propriedades), conforme recomendações de Nagamachi e Lokman (2011). Nesta proposta, é sugerida a definição de itens e categorias objetivos, i.e., cuja categorização não varie de um observador para outro. Pode-se definir para este tipo de produto uma lista extensiva de itens/propriedades. Para a realização dos experimentos foram, inicialmente, coletados os telefones celulares lançados no ano de 2015 e cadastrados no site Tudo Celular (2015), no dia 23/11/2015. Foram coletados 50 telefones celulares, categorizados em 90 categorias de especificações técnicas, listadas no Anexo C. Essas especificações técnicas, o que se pode denominar de propriedades iniciais, “brutas”, foram tratadas com a intenção de adequá-las às recomendações de Nagamachi e Lokman (2011). A primeira fase do tratamento consistiu em eliminar as propriedades utilizando três critérios: (Critério 1) são excluídas as propriedades que não foram informadas para a totalidade dos produtos coletados; (Critério 2) são excluídas as propriedades que não variam

para a totalidade dos produtos coletados; e, (Critério 3) são excluídas as propriedades que não apresentem variação para pelo menos um produto do conjunto de produtos coletados. A segunda fase do tratamento consistiu na redefinição das propriedades resultantes, pelo desdobramento das propriedades complexas em propriedades mais simples; e, no desdobramento das propriedades em itens e categorias. Para as propriedades contínuas foram definidas categorias discretas pela criação de faixas de valores. Posteriormente, foram eliminados os itens, categorias e produtos considerando os critérios pré-definidos. A lista de propriedades resultante deste tratamento, i.e., 28 itens e 86 categorias, para 42 produtos, está na Tabela E.8, Apêndice E. Os 42 produtos resultantes do tratamento realizado no Apêndice E, estão listados no Apêndice G. Os produtos foram, então, cadastrados em um protótipo de loja virtual, estruturado para demonstrar a exeqüibilidade da proposta, conforme detalha o Apêndice H. Para a elaboração do protótipo, foi escolhida uma plataforma gratuita que permitisse: (a) a elaboração de loja virtual para usuários com pouco conhecimento em programação de sites; (b) a categorização de produtos considerando suas especificações técnicas; (c) obtenção da lista de produtos cadastrados versus especificações técnicas em formatos compatíveis com o Excel (e.g., .xls); e, (d) o acesso ao código de programação para a inserção de código de tracking para acompanhamento de acessos de usuários/consumidores às páginas dos produtos. Um protótipo de loja virtual foi criado na plataforma Loja Integrada (2016). A loja foi denominada Kansumers (2016). Para a realização do cadastro dos produtos, foi necessária a criação de “grades” e “variações de grade”, segundo a linguagem da plataforma Loja Integrada. Essas grades são usadas para o cadastro de especificações técnicas do produto e foram utilizadas para o cadastro das propriedades dos produtos. As grades passaram a representar os “itens” dos produtos e as variações das grades, as “categorias”, utilizando a nomenclatura de Nagamachi e Lokman (2011), na literatura de Engenharia Kansei. No protótipo de loja virtual foram cadastrados 12 produtos para verificar a exeqüibilidade na obtenção e extração de matrizes de produtos versus propriedades do produto. Com intenção de mostrar a exeqüibilidade na obtenção dos acessos de usuários/consumidores às páginas dos produtos para esta simulação, foi utilizada a plataforma Google Analytics. Inicialmente, o protótipo de loja virtual Kansumers foi cadastrado na plataforma, e a ID e o código de acompanhamento, fornecidos pelo Google Analytics, foram inseridos nas páginas da loja virtual.

Na plataforma do Google Analytics foram definidas Metas do tipo Funil de Vendas, para o registro da quantidade de acessos de consumidores às páginas dos produtos, à página carrinho de compras e à página efetivação de compra. A título de exemplo, essa meta teve como destino a página/checkout, i.e., a página indicativa da finalização do processo de compra. As páginas referentes ao processo de compra foram as páginas Home, do produto, do carrinho de compras e conclusão de compra/checkout. O número de acessos é quantificado para um período de tempo selecionado no painel da plataforma do Google Analytics. Este processo está detalhado no Apêndice H.

6.2.1. Segmentação das propriedades e definição dos cenários de produtos

Com base no tratamento das propriedades, realizado nas etapas preliminares, foi feito um recorte inicial dos itens/categorias para aplicação nos experimentos. Esse recorte, apresentado na Tabela 17, síntese do Apendice F, foi realizado utilizando os parâmetros obtidos no trabalho de Lin et al. (2012a), com tradução livre no Anexo B. O trabalho de Lin et al. (2012a) obtém uma lista de propriedades para o produto telefone celular aplicando o método da decomposição dos Elementos de Interface Humana (HIE). O recorte foi feito com a intenção de incluir nos experimentos somente as propriedades de hardware não-funcionais e funcionais de saída, percebidas pelo canal visual. Deste recorte inicial resultaram 11 itens e 38 categorias.

Tabela 17. Recorte inicial de itens/categorias com a identificação das variáveis

(continua) Itens Categorias Variáveis Altura (mm) 118.9- 134.0 I11 134.1- 149.1 I12 149.2-164.2 I13 Largura (mm) 64- 69.8 I21 69.9- 75.6 I22 75.7- 81.5 I23 Profundidade (mm) 5.9- 8.0 I31 8.1-10.1 I32 10.2-12.3 I33 Polegadas 4.0-4.5 I41 4.6-5.0 I42 5.1-5.5 I43 5.6-6.0 I44 Resolução (pixel) 480x800-54 I51 540X960 I52 720x1280 I53 1080x1920 I54 Tipo LCD I61 P-OLED I62 AMOLED I63 SUPER AMOLED I64

Tabela 17. Recorte inicial de itens/categorias com a identificação das variáveis (conclusão) Itens Categorias Variáveis Megapixel (MP) 5 MP I71 8 MP I72 13 MP I73 16 MP I74 20.7/21/21.5 MP I75 Resolução 2592x1944 pixel I81 3264x2448 I82 4128x3096/4160x3120 I83 5248x3936/ 5291x3968 I84 5312x2988 I85 Flash LED I91 Dual LED I92 Não I93 GPS (GLONASS) Sim I101 Não I102 TV Sim I111 Não I112

O recorte foi dividido em três grupos de propriedades, pois a utilização de todas elas originaria um grupo de produtos representativos do domínio similar ao inicial, i.e., 42, já que a quantidade de produtos representativos deve ser maior que a quantidade de variações/categorias (no caso, 38 categorias), com a intenção de atender ao critério estatístico informado em Nakada (1997). A título de curiosidade, o total de exemplares de produtos resultante da combinação de todas as propriedades seria , quantidade impraticável nos experimentos Kansei, que requisitam avaliações de consumidores para cada exemplar de produto. Os grupos definidos são apresentados na Tabela 18. No primeiro grupo foram incluídas as propriedades relacionadas às características gerais, de conectividade e de funções. O total de exemplares de produtos resultante da combinação das propriedades reunidas no primeiro grupo é . Este grupo possui 2 fatores com 2 níveis e 3 fatores com 3 níveis. No segundo grupo foram reunidas as propriedades relacionadas às características não funcionais da tela. O total de exemplares de produtos resultante da combinação das propriedades reunidas no segundo grupo é . Este grupo possui 3 fatores com 4 níveis. No terceiro grupo foram reunidas as propriedades relacionadas às características não funcionais da câmera. O total de exemplares de produtos resultante da combinação das propriedades reunidas no terceiro grupo é . Este grupo possui 1 fator com 3 níveis e 2 fatores com 5 níveis.

Tabela 18. Lista de propriedades, itens e categorias do recorte inicial, para o produto telefone celular, divididas em três agrupamentos

Identificação Itens Categorias Grupo 1 Altura (mm) 1. 118.9- 2. 134.1- 3. 149.2-164.2 134.0 149.1 Largura (mm) 1. 64- 69.8 2. 69.9- 75.6 3. 75.7- 81.5 Profundidade 1. 5.9- 8.0 2. 8.1-10.1 3. 10.2-12.3 (mm) GPS 1. Sim 2. Não (GLONASS) TV 1. Sim 2. Não Grupo 2 Polegadas da 1. 4.0-4.5 2. 4.6-5.0 3. 5.1-5.5 4. 5.6-6.0 tela Resolução tela 1. 480x800- 2. 540x960 3. 720x1280 4. 1080x1920 (pixel) 54 Tipo tela 1. LCD 2. P-OLED 3. AMOLED 4. SUPER AMOLED Grupo 3 Megapixel da 1. 5 MP 2. 8 MP 3. 13 MP 4. 16 MP 5. 20.7/21/21.5 câmera (MP) MP Resolução da 1. 2. 3264x2448 3. 4. 5248x3936/ 5. 5312x2988 câmera 2592x1944 4128x3096/4160x3120 5291x3968 pixel Flash 1. LED 2. Dual LED 3. Não

Considerando os 42 produtos, captados no site Tudo Celular (2015), foram desenvolvidos os cenários de produtos para os experimentos, i.e., um cenário para cada grupo de propriedades versus produtos. Nas Tabelas 19, 20 e 21 são apresentados os cenários de produtos para cada grupo. Nestas Tabelas os produtos são descritos conforme a a ausência ('0') ou presença('1') de determinado conjunto item/categoria. Utilizam os códigos das variáveis apresentados na Tabela 17, para as propriedades respectivas de cada grupo.

Tabela 19. Cenário de produtos para o grupo 1 de propriedades

(continua) Antiga Nova I11 I12 I13 I21 I22 I23 I31 I32 I33 I101 I102 I111 I112 ID* ID** P01 P01 0 1 0 0 1 0 0 1 0 0 1 0 1 P02 P02 0 1 0 1 0 0 1 0 0 0 1 0 1 P04 P03 0 0 1 0 1 0 0 0 1 1 0 0 1 P05 P04 0 1 0 0 1 0 0 1 0 0 1 0 1 P08 P05 0 1 0 0 1 0 0 1 0 0 1 0 1 P09 P06 0 1 0 0 1 0 0 1 0 1 0 0 1 P10 P07 0 1 0 0 1 0 0 1 0 1 0 0 1 P12 P08 0 1 0 0 1 0 0 1 0 1 0 0 1 P13 P09 0 0 1 0 0 1 0 1 0 1 0 1 0 P14 P10 0 0 1 0 0 1 0 1 0 1 0 0 1 P15 P11 1 0 0 1 0 0 0 0 1 0 1 1 0 P16 P12 1 0 0 1 0 0 0 0 1 1 0 0 1 P17 P13 1 0 0 1 0 0 0 0 1 1 0 0 1 P18 P14 0 1 0 0 1 0 0 1 0 0 1 0 1 P19 P15 0 1 0 0 1 0 0 1 0 0 1 1 0

Tabela 19. Cenário de produtos para o grupo 1 de propriedades (conclusão) Antiga Nova I11 I12 I13 I21 I22 I23 I31 I32 I33 I101 I102 I111 I112 ID* ID** P20 P16 1 0 0 1 0 0 0 1 0 1 0 0 1 P21 P17 1 0 0 1 0 0 0 1 0 1 0 0 1 P22 P18 1 0 0 1 0 0 0 0 1 1 0 1 0 P23 P19 0 1 0 0 1 0 0 1 0 1 0 0 1 P24 P20 0 0 1 0 0 1 0 1 0 1 0 0 1 P25 P21 1 0 0 1 0 0 0 0 1 1 0 0 1 P26 P22 1 0 0 1 0 0 0 0 1 1 0 1 0 P27 P23 0 1 0 0 1 0 0 0 1 1 0 1 0 P28 P24 0 1 0 0 1 0 0 0 1 1 0 0 1 P30 P25 0 1 0 0 1 0 1 0 0 0 1 1 0 P31 P26 0 1 0 0 1 0 1 0 0 0 1 1 0 P32 P27 0 0 1 0 0 1 1 0 0 1 0 0 1 P33 P28 0 0 1 0 0 1 1 0 0 1 0 0 1 P34 P29 0 1 0 0 1 0 1 0 0 1 0 0 1 P35 P30 0 0 1 0 0 1 1 0 0 1 0 0 1 P36 P31 1 0 0 1 0 0 0 1 0 1 0 0 1 P38 P32 0 1 0 1 0 0 0 1 0 1 0 0 1 P39 P33 0 1 0 0 1 0 0 1 0 1 0 0 1 P40 P34 0 0 1 0 0 1 1 0 0 1 0 0 1 P41 P35 0 0 1 0 0 1 0 1 0 1 0 0 1 P44 P36 0 0 1 0 0 1 1 0 0 1 0 1 0 P45 P37 0 0 1 0 0 1 0 1 0 1 0 0 1 P46 P38 0 1 0 0 1 0 0 0 1 0 1 0 1 P47 P39 0 1 0 0 1 0 1 0 0 1 0 0 1 P48 P40 0 1 0 0 1 0 1 0 0 1 0 0 1 P49 P41 0 1 0 0 1 0 1 0 0 1 0 0 1 P50 P42 1 0 0 1 0 0 0 1 0 1 0 0 1 * representa a numeração inicial atribuída aos produtos, conforme Apêndice G. ** representa a numeração final, utilizada para identificar os produtos no algoritmo Kansumers.

Tabela 20. Cenário de produtos para o grupo 2 de propriedades (continua) Antiga Nova I41 I42 I43 I44 I51 I52 I53 I54 I61 I62 I63 I64 ID* ID** P01 P01 0 1 0 0 1 0 0 0 1 0 0 0 P02 P02 0 1 0 0 0 0 1 0 1 0 0 0 P04 P03 0 0 1 0 0 0 1 0 1 0 0 0 P05 P04 0 1 0 0 0 0 1 0 1 0 0 0 P08 P05 0 1 0 0 1 0 0 0 1 0 0 0 P09 P06 0 0 1 0 0 0 0 1 0 1 0 0 P10 P07 0 0 1 0 0 0 0 1 0 1 0 0

Tabela 20. Cenário de produtos para o grupo 2 de propriedades (conclusão) Antiga Nova I41 I42 I43 I44 I51 I52 I53 I54 I61 I62 I63 I64 ID* ID** P12 P08 0 0 1 0 0 0 0 1 1 0 0 0 P13 P09 0 0 0 1 0 0 1 0 1 0 0 0 P14 P10 0 0 0 1 0 0 1 0 1 0 0 0 P15 P11 1 0 0 0 1 0 0 0 1 0 0 0 P16 P12 1 0 0 0 1 0 0 0 1 0 0 0 P17 P13 1 0 0 0 1 0 0 0 1 0 0 0 P18 P14 0 1 0 0 1 0 0 0 1 0 0 0 P19 P15 0 1 0 0 0 0 1 0 1 0 0 0 P20 P16 0 1 0 0 0 0 1 0 1 0 0 0 P21 P17 0 1 0 0 0 0 1 0 1 0 0 0 P22 P18 1 0 0 0 1 0 0 0 1 0 0 0 P23 P19 0 1 0 0 0 0 1 0 1 0 0 0 P24 P20 0 0 0 1 0 0 1 0 1 0 0 0 P25 P21 1 0 0 0 0 1 0 0 1 0 0 0 P26 P22 1 0 0 0 0 1 0 0 1 0 0 0 P27 P23 0 1 0 0 0 0 1 0 1 0 0 0 P28 P24 0 0 1 0 0 0 0 1 1 0 0 0 P30 P25 0 1 0 0 0 0 1 0 0 0 1 0 P31 P26 0 1 0 0 0 0 1 0 0 0 1 0 P32 P27 0 0 1 0 0 0 0 1 0 0 0 1 P33 P28 0 0 0 1 0 0 0 1 0 0 0 1 P34 P29 0 1 0 0 0 0 1 0 0 0 0 1 P35 P30 0 0 1 0 0 0 1 0 0 0 0 1 P36 P31 1 0 0 0 1 0 0 0 1 0 0 0 P38 P32 0 1 0 0 0 1 0 0 0 0 0 1 P39 P33 0 1 0 0 0 0 1 0 0 0 0 1 P40 P34 0 0 1 0 0 0 1 0 1 0 0 0 P41 P35 0 0 1 0 0 0 1 0 1 0 0 0 P44 P36 0 0 1 0 0 0 0 1 1 0 0 0 P45 P37 0 0 0 1 0 0 0 1 1 0 0 0 P46 P38 0 1 0 0 0 1 0 0 1 0 0 0 P47 P39 0 1 0 0 0 0 1 0 1 0 0 0 P48 P40 0 1 0 0 0 0 0 1 1 0 0 0 P49 P41 0 0 1 0 0 0 0 1 1 0 0 0 P50 P42 0 1 0 0 0 0 1 0 1 0 0 0 * representa a numeração inicial atribuída aos produtos, conforme Apêndice G. ** representa a numeração final, utilizada para identificar os produtos no algoritmo Kansumers.

Tabela 21. Cenário de produtos para o grupo 3 de propriedades Antiga Nova I71 I72 I73 I74 I75 I81 I82 I83 I84 I85 I91 I92 I93 ID* ID** P01 P01 0 1 0 0 0 0 1 0 0 0 1 0 0 P02 P02 0 0 1 0 0 0 0 1 0 0 1 0 0 P04 P03 0 0 1 0 0 0 0 1 0 0 0 1 0 P05 P04 0 1 0 0 0 0 1 0 0 0 1 0 0 P08 P05 0 1 0 0 0 0 1 0 0 0 1 0 0 P09 P06 0 0 1 0 0 0 0 1 0 0 0 1 0 P10 P07 0 0 1 0 0 0 0 1 0 0 0 1 0 P12 P08 0 0 1 0 0 0 0 1 0 0 1 0 0 P13 P09 0 0 1 0 0 0 0 1 0 0 1 0 0 P14 P10 0 0 1 0 0 0 0 1 0 0 0 1 0 P15 P11 1 0 0 0 0 1 0 0 0 0 1 0 0 P16 P12 1 0 0 0 0 1 0 0 0 0 1 0 0 P17 P13 1 0 0 0 0 1 0 0 0 0 1 0 0 P18 P14 0 1 0 0 0 0 1 0 0 0 1 0 0 P19 P15 0 1 0 0 0 0 1 0 0 0 1 0 0 P20 P16 1 0 0 0 0 1 0 0 0 0 1 0 0 P21 P17 0 1 0 0 0 0 1 0 0 0 1 0 0 P22 P18 1 0 0 0 0 1 0 0 0 0 0 0 1 P23 P19 0 1 0 0 0 0 1 0 0 0 1 0 0 P24 P20 0 0 1 0 0 0 0 1 0 0 1 0 0 P25 P21 1 0 0 0 0 1 0 0 0 0 0 0 1 P26 P22 1 0 0 0 0 1 0 0 0 0 0 0 1 P27 P23 0 0 1 0 0 0 0 1 0 0 0 1 0 P28 P24 0 0 0 0 1 0 0 0 1 0 0 1 0 P30 P25 0 0 1 0 0 0 0 1 0 0 1 0 0 P31 P26 0 0 1 0 0 0 0 1 0 0 1 0 0 P32 P27 0 0 1 0 0 0 0 1 0 0 1 0 0 P33 P28 0 0 0 1 0 0 0 0 0 1 1 0 0 P34 P29 0 1 0 0 0 0 1 0 0 0 1 0 0 P35 P30 0 0 1 0 0 0 0 1 0 0 1 0 0 P36 P31 1 0 0 0 0 1 0 0 0 0 1 0 0 P38 P32 1 0 0 0 0 1 0 0 0 0 1 0 0 P39 P33 0 0 1 0 0 0 0 1 0 0 1 0 0 P40 P34 0 0 1 0 0 0 0 1 0 0 1 0 0 P41 P35 0 0 1 0 0 0 0 1 0 0 1 0 0 P44 P36 0 0 1 0 0 0 0 1 0 0 1 0 0 P45 P37 0 0 1 0 0 0 0 1 0 0 1 0 0 P46 P38 1 0 0 0 0 1 0 0 0 0 1 0 0 P47 P39 0 0 1 0 0 0 0 1 0 0 1 0 0 P48 P40 0 0 0 0 1 0 0 0 1 0 1 0 0 P49 P41 0 0 0 0 1 0 0 0 1 0 1 0 0 P50 P42 0 1 0 0 0 0 1 0 0 0 1 0 0 * representa a numeração inicial atribuída aos produtos, conforme Apêndice G. ** representa a numeração final, utilizada para identificar os produtos no algoritmo Kansumers. 99

6.2.2. Definição da matriz de acesso de usuários e pesos das ações

A matriz de acesso de usuários foi definida hipoteticamente. Esta matriz apresenta a quantidade de vezes que um dado usuário executa as ações de visualização (1), envio ao carrinho de compras (2), e compra (3), para os produtos P1 a P42. Na matriz hipotética, cujo excerto está mostrado na Tabela 22, são listados 100 usuários, U001 a U100, que realizam ações de visualização (A01), envio para o carrinho de compras (A02) e compra (A03) para um dado produto, considerando o grupo de 42 produtos definido na subseção 6.2.1. As ações realizadas por esses usuários são chamadas de “avaliações indiretas”. A matriz de acesso de usuários foi gerada no Excel com números aleatórios. Foram colocadas as seguintes restrições para a geração dos números aleatórios: (a) para as células concernentes à ação 1, Função=ALEATÓRIOENTRE(0;10); (b) para as células concernentes à ação 2, Função =ALEATÓRIOENTRE(0; valor da célula da ação 1); e, (c) para as células concernentes à ação 3, Função =ALEATÓRIOENTRE(0; valor da célula da ação 2). Esta matriz é uma 100x126. Considerando suas dimensões, optou-se por colocar no corpo do texto somente um excerto da matriz, a matriz completa está no Apêndice I, Tabela I.1.

Tabela 22. Excerto da Tabela I.1, Apêndice I, que indica o número de vezes em que os usuários U001 a U100

realizam as ações de visualização, envio para o cesto de compras e compra para os produtos P01 a P42 (continua)

P01 P02 P03 P04 P[...] P41 P42

A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03

U001 9 1 1 0 0 0 6 4 4 3 3 0 ...... 2 2 2 3 2 0 U002 4 0 0 2 1 1 0 0 0 7 6 0 ...... 8 4 3 10 1 1 U003 2 2 1 4 0 0 5 5 3 9 5 5 ...... 0 0 0 3 0 0 U004 6 0 0 10 9 7 9 0 0 7 4 3 ...... 8 4 1 0 0 0 U005 7 0 0 8 3 0 7 3 1 2 2 2 ...... 7 5 5 5 2 0 U006 1 1 0 1 1 1 3 2 1 2 2 0 ...... 1 0 0 8 1 1 U007 9 8 8 7 0 0 2 1 1 3 3 0 ...... 8 5 2 6 2 0 U008 6 3 3 8 7 1 2 0 0 0 0 0 ...... 2 1 1 6 6 0 U009 8 2 0 3 0 0 6 5 1 5 2 2 ...... 5 0 0 8 6 2 U010 5 0 0 0 0 0 6 1 0 7 6 2 ...... 6 1 0 0 0 0 U011 10 4 3 10 2 1 10 7 4 3 0 0 ...... 1 0 0 6 5 2 U012 9 1 0 1 1 0 6 2 2 9 7 6 ...... 9 4 1 0 0 0 U013 5 3 1 9 3 1 9 4 3 3 1 0 ...... 7 5 1 3 3 1 U014 5 4 3 0 0 0 6 1 0 3 0 0 ...... 0 0 0 5 3 0 U015 4 3 1 9 7 2 7 1 0 8 4 4 ...... 5 0 0 2 0 0 U016 3 2 2 4 0 0 0 0 0 3 3 3 ...... 5 0 0 10 5 0

100

Tabela 22. Excerto da Tabela I.1, Apêndice I, que indica o número de vezes em que os usuários U001 a U100

realizam as ações de visualização, envio para o cesto de compras e compra para os produtos P01 a P42 (conclusão)

P01 P02 P03 P04 P[...] P41 P42

A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03

U017 6 0 0 2 0 0 10 9 4 0 0 0 ...... 5 0 0 2 2 1 U018 10 1 0 4 3 2 2 1 0 6 0 0 ...... 2 1 0 8 5 3 U019 9 0 0 5 0 0 9 6 1 6 0 0 ...... 0 0 0 1 1 1 U020 0 0 0 8 6 6 8 3 0 0 0 0 ...... 9 6 4 2 1 0 U021 9 3 1 0 0 0 3 0 0 1 0 0 ...... 3 0 0 0 0 0 U022 4 3 3 0 0 0 3 2 0 0 0 0 ...... 8 5 1 7 4 3 U023 2 1 1 4 3 0 0 0 0 1 0 0 ...... 9 4 1 0 0 0 U024 6 6 0 9 6 4 3 2 2 8 1 1 ...... 6 2 2 6 5 5 U025 10 0 0 1 0 0 7 2 2 4 0 0 ...... 0 0 0 8 3 1 U026 5 0 0 6 1 1 7 4 2 0 0 0 ...... 6 5 5 7 4 2 U027 3 3 0 9 7 7 7 0 0 8 7 3 ...... 3 3 2 7 0 0 U028 3 2 0 5 1 0 7 2 1 6 0 0 ...... 8 8 4 10 5 5 U029 10 4 2 1 0 0 7 0 0 3 1 0 ...... 8 4 3 6 2 2 U030 10 8 0 9 0 0 7 4 2 4 0 0 ...... 2 1 0 0 0 0 U[...] ...... U095 10 7 5 1 1 0 6 6 1 1 0 0 ...... 7 2 1 1 1 1 U096 3 0 0 9 3 0 9 7 7 1 0 0 ...... 7 3 2 10 9 9 U097 7 2 2 5 2 0 7 3 0 5 0 0 ...... 9 3 2 10 5 4 U098 7 1 0 1 1 0 3 3 1 7 7 7 ...... 3 3 3 7 5 2 U099 9 8 6 0 0 0 9 3 0 10 7 5 ...... 8 2 2 2 0 0 U100 1 0 0 4 4 2 6 0 0 9 0 0 ...... 1 0 0 1 0 0

Considerando que as ações não devem constituir avaliações de mesmo peso, pois visualizar a página de um produto pode ser percebido com um peso menor que a ação de comprar esse produto. Com a intenção de equilibrar e ponderar essas ações, podem ser atribuídos diferentes pesos a essas, de modo que as ações de visualização (1), envio ao cesto de compras (2), e compra (3), possam ter pesos, respectivamente, W1, W2 e W3. Nestes experimentos os valores de pesos foram definidos como 0.2, para o W1, 0.3 para o W2, e 0.5 para o W3.

Considerando o supracitado, nas seções 6.3, 6.4 e 6.5 serão apresentados os experimentos 1, 2 e 3, respectivamente. Esses experimentos serão descritos em termos das matrizes geradas na consecução das Etapas 1.3-1.14, conforme arcabouço apresentado na Figura 7.

101

6.3. Experimento 1

O Experimento 1 utiliza o cenário de produtos do primeiro grupo. Considere que os produtos P1 a P42 são avaliados indiretamente por um conjunto de usuários/consumidores,

U001 a U100. Essas avaliações estão, em parte, na Tabela 22. Utilizando os pesos W1 (=0.2), W2(=0.3) e W3(=0.5), pode ser obtida a matriz consolidada ponderada. Na Tabela 23 é apresentado um exerto da matriz consolidada, , para o Cenário 1, resultado da Etapa 1.3.

Tabela 23. Excerto da matriz de avaliação indireta ponderada, , para o Cenário 1

P01 P02 P03 P04 P05 P06 P07 P08 P09 P10 P[...] P35 P36 P37 P38 P39 P40 P41 P42 U01 2.6 0 4.4 1.5 7.1 3.3 2.6 4.6 2 0.2 ... 0.8 3 2.1 3.2 2.9 1.5 2 1.2 U02 0.8 1.2 0 3.2 7.6 2.7 3 4.4 6.9 3.7 ... 1.8 6 2.6 1.6 4.2 6.8 4.3 2.8 U03 1.5 0.8 4 5.8 1.4 1.6 0.7 0 0.5 6.1 ... 4.2 4.1 0.4 1.6 1.4 2.3 0 0.6 U04 1.2 8.2 1.8 4.1 0.6 0 0.4 0.4 1.2 1 ... 4.1 2.6 3.9 0.5 1.9 2.6 3.3 0 U05 1.4 2.5 2.8 2 1 7.4 3.6 2.5 2.2 5.6 ... 2.1 6.7 2.6 1.4 3.9 1.2 5.4 1.6 U06 0.5 1 1.7 1 0.8 0.8 0.4 3.5 1 0 ... 2.7 1.8 3.6 2.6 4 3.6 0.2 2.4 U07 8.2 1.4 1.2 1.5 0.8 5.9 1.4 0.5 2.6 3 ... 1.7 4 5.2 1.4 0.6 4 4.1 1.8 U08 3.6 4.2 0.4 0 1.5 1.2 3 0 1.8 1.3 ... 1.6 0.7 1.8 0.5 2.8 3.5 1.2 3 U09 2.2 0.6 3.2 2.6 2.5 1 1.6 0.4 3.9 3.9 ... 0.2 2.5 2.7 2.4 0 2.7 1 4.4 U10 1 0 1.5 4.2 1.6 2.5 0 4.9 0 1.4 ... 2.2 2.3 4.3 0.2 0 1.6 1.5 0 U[...] ...... U90 0.7 0.4 0 0.2 1.5 0.2 2.4 0 5.8 2.8 ... 6.2 2 4.3 0.5 0.5 1 0.8 1.4 U91 3.6 1.2 6.5 3.1 0.4 1.8 0.4 1.4 0 0.2 ... 1 0.5 5.7 0.4 4.3 3.8 1.9 0.2 U92 0.2 1 2 0 2.1 0.6 1.4 0.9 1.7 0.7 ... 2.6 2.2 0 4.6 10 2.1 3 4 U93 1 2.4 2.2 0 5 0 1.6 2.6 0.6 3.7 ... 1 3.4 0.5 2.3 4 3.9 5.9 3.3 U94 1.8 1.5 0 4.5 1.5 2.5 0.5 3.1 3.1 0.4 ... 5.4 2.9 1.4 3.2 0.9 4.2 0.5 1.1 U95 6.6 0.5 3.5 0.2 0 4.5 5.2 2.4 3.6 3 ... 1.4 2.2 2.8 6 1.7 0.4 2.5 1 U96 0.6 2.7 7.4 0.2 2.4 4.8 1.6 2.6 0 5.5 ... 1 2 4.3 0.5 1.4 1.3 3.3 9.2 U97 3 1.6 2.3 1 0.7 2 4 3.1 1 0 ... 2.8 2.9 0 3 3 0.4 3.7 5.5 U98 1.7 0.5 2 7 1.2 2.5 1 1.6 1.4 7.2 ... 3 1.7 3.4 1.9 2.8 3.8 3 3.9 U99 7.2 0 2.7 6.6 5.3 0 8.2 8 0.5 1.4 ... 0 1.5 4.8 3 0.7 0.2 3.2 0.4 U100 0.2 3 1.2 1.8 3.4 0.9 5.8 4.2 4.9 2.7 ... 1.9 2.4 2.2 1.2 1.2 4.7 0.2 0.2

Na Etapa 1.4, as avaliações indiretas consolidadas na matriz , para o Cenário 1, são convertidas para o nível das propriedades. Essa matriz é denominada de para o Cenário 1. Está apresentado um excerto dessa matriz na Tabela 24. As siglas I11, I12, I13, etc., especificam as propriedades pertencentes grupo 1.

102

Tabela 24. Excerto da matriz de avaliação ponderada no nível das propriedades, , para o Cenário 1

I11 I12 I13 I21 I22 I23 I31 I32 I33 I101 I102 I111 I112 U001 18.2 54.3 19.4 20.1 56.8 15.0 17.2 50.3 24.4 68.8 23.1 16.8 75.1 U002 29.8 66.2 38.9 35.7 60.3 38.9 45.6 65.9 23.4 100.3 34.6 35.7 99.2 U003 22.6 41.0 35.1 28.1 39.5 31.1 32.5 44.0 22.2 77.5 21.2 18.2 80.5 U004 24.1 60.0 29.1 40.3 45.6 27.3 34.4 55.7 23.1 85.0 28.2 20.5 92.7 U005 16.3 62.1 36.1 19.0 62.2 33.3 37.3 59.0 18.2 83.6 30.9 28.0 86.5 U006 29.5 32.3 31.6 31.1 32.4 29.9 35.8 31.3 26.3 75.8 17.6 18.6 74.8 U007 22.0 52.5 34.0 24.4 51.3 32.8 37.7 53.4 17.4 77.1 31.4 32.3 76.2 U008 39.5 47.8 13.0 47.5 40.2 12.6 29.1 40.5 30.7 75.9 24.4 32.2 68.1 U009 16.7 39.1 28.9 19.3 39.7 25.7 26.3 41.1 17.3 59.5 25.2 22.9 61.8 U010 18.7 38.0 28.9 20.7 37.5 27.4 24.0 41.2 20.4 70.5 15.1 21.2 64.4 U[...] ...... U090 18.9 31.7 33.6 21.8 28.8 33.6 21.3 42.2 20.7 70.1 14.1 19.9 64.3 U091 21.5 52.3 24.1 23.7 56.6 17.6 29.1 40.7 28.1 73.5 24.4 17.5 80.4 U092 23.4 47.5 16.8 28.0 44.9 14.8 33.5 35.7 18.5 65.1 22.6 22.4 65.3 U093 22.4 52.4 23.8 29.8 47.2 21.6 32.8 44.8 21.0 77.0 21.6 18.6 80.0 U094 19.3 52.4 36.9 25.7 46.0 36.9 35.8 49.4 23.4 85.8 22.8 28.2 80.4 U095 25.1 50.3 26.6 27.6 51.3 23.1 21.6 41.8 38.6 80.7 21.3 29.2 72.8 U096 34.0 48.0 30.1 40.0 49.4 22.7 25.1 48.4 38.6 95.0 17.1 15.8 96.3 U097 23.9 56.5 19.2 26.5 56.2 16.9 29.4 46.6 23.6 77.0 22.6 15.8 83.8 U098 19.0 48.7 31.1 21.4 48.3 29.1 32.1 54.5 12.2 76.9 21.9 16.4 82.4 U099 23.2 64.5 24.0 25.8 64.6 21.3 28.2 53.4 30.1 76.7 35.0 22.4 89.3 U100 25.1 53.3 35.6 36.1 43.5 34.4 31.9 56.0 26.1 97.2 16.8 18.6 95.4

Na Etapa 1.5, são identificados agrupamentos de usuários/consumidores utilizando o método hierárquico de Ward. Esse agrupamento é feito considerando os perfis de acesso desses usuários/consumidores, i.e., matriz de avaliação ponderada, conforme apresentados na

. Esse agrupamento auxilia na seleção da quantidade de clusters a ser formado no método hierárquico k-médias. É gerado um dendograma como o da Figura 9.

Figura 9. Dendrograma da aplicação do método de Ward na matriz de avaliação ponderada de consumidores, para a identificação de agurpamentos de consumidores com perfis de consumo similares para o Cenário 1

103

Para o Experimento 1 é decidida a formação de dois clusters de usuários/consumidores, CL01 e CL02, utilizando o método não hierárquico k-médias, na Etapa 1.6. Dessa forma, são identificados os grupos de usuários distribuídos nos clusters da Tabela 25.

Tabela 25. Composição de usuários/consumidores nos clusters de usuários para o Cenário 1

CL01 U001 U019 U040 U059 U078 U003 U021 U043 U060 U079 U006 U022 U044 U062 U081 U008 U024 U047 U063 U082 U009 U025 U049 U064 U083 U010 U031 U051 U065 U086 U012 U032 U052 U066 U087 U014 U033 U053 U069 U090 U015 U034 U054 U070 U091 U017 U035 U056 U071 U092 U018 U036 U057 U072 U093 U095 U097 U076 CL02 U002 U028 U050 U084 U026 U004 U029 U055 U085 U027 U005 U030 U058 U088 U046 U007 U037 U061 U089 U048 U011 U038 U067 U094 U077 U013 U039 U068 U096 U080 U016 U041 U073 U098 U020 U042 U074 U099 U023 U045 U075 U100

Na Etapa 1.7 é calculada a similaridade entre os centróides dos clusters formados na Etapa 1.6 e os perfis, avaliações indiretas consolidadas, dos demais usuários/consumidores pertencentes ao cluster. Essa correlação, para o Cenário 1, está na Tabela 26. Tabela 26. Valores de simlaridade entre os centróides e os usuários/consumidores dos clusters CL01 e CL02 (continua)

Correlação Correlação Correlação Correlação

CL01 U001 0.9682601 CL01 U047 0.9191800 CL01 U086 0.9750939 CL02 U041 0.9925873 CL01 U003 0.9567333 CL01 U049 0.9384147 CL01 U087 0.9896384 CL02 U042 0.9742715 CL01 U006 0.8856959 CL01 U051 0.9680239 CL01 U090 0.8990880 CL02 U045 0.9741480 CL01 U008 0.8698984 CL01 U052 0.9263856 CL01 U091 0.9781133 CL02 U046 0.9732719 CL01 U009 0.9675806 CL01 U053 0.8950787 CL01 U092 0.9688662 CL02 U048 0.9674546 CL01 U010 0.9663461 CL01 U054 0.9797497 CL01 U093 0.9937869 CL02 U050 0.9864735 CL01 U012 0.9932960 CL01 U056 0.9804449 CL01 U095 0.9580528 CL02 U055 0.9690947 CL01 U014 0.9791621 CL01 U057 0.9767654 CL01 U097 0.9872829 CL02 U058 0.9798667

104

Tabela 26. Valores de simlaridade entre os centróides e os usuários/consumidores dos clusters CL01 e CL02 (conclusão)

Correlação Correlação Correlação Correlação CL01 U015 0.9803269 CL01 U059 0.9625908 CL02 U002 0.9895548 CL02 U061 0.9566059 CL01 U017 0.9607263 CL01 U060 0.9369971 CL02 U004 0.9821764 CL02 U067 0.9927023 CL01 U018 0.9686767 CL01 U062 0.9948569 CL02 U005 0.9636347 CL02 U068 0.9925388 CL01 U019 0.9543861 CL01 U063 0.9947553 CL02 U007 0.9697821 CL02 U073 0.9757946 CL01 U021 0.9593790 CL01 U064 0.9927619 CL02 U011 0.9713888 CL02 U074 0.9636637 CL01 U022 0.9552323 CL01 U065 0.9686088 CL02 U013 0.9689534 CL02 U075 0.9779048 CL01 U024 0.9741986 CL01 U066 0.9843977 CL02 U016 0.9763573 CL02 U077 0.9684220 CL01 U025 0.9872104 CL01 U069 0.9839371 CL02 U020 0.9701168 CL02 U080 0.9657182 CL01 U031 0.9847449 CL01 U070 0.9690449 CL02 U023 0.936067 CL02 U084 0.9902950 CL01 U032 0.9719071 CL01 U071 0.9338266 CL02 U026 0.9711758 CL02 U085 0.9818515 CL01 U033 0.9510533 CL01 U072 0.9754986 CL02 U027 0.9642692 CL02 U088 0.9870594 CL01 U034 0.9716747 CL01 U076 0.9804882 CL02 U028 0.9875948 CL02 U089 0.9604053 CL01 U035 0.9799790 CL01 U078 0.9645000 CL02 U029 0.9961752 CL02 U094 0.9771682 CL01 U036 0.9227551 CL01 U079 0.9754078 CL02 U030 0.9873758 CL02 U096 0.9476127 CL01 U040 0.9558166 CL01 U081 0.9700592 CL02 U037 0.9966016 CL02 U098 0.9835741 CL01 U043 0.9703848 CL01 U082 0.9420672 CL02 U038 0.9741422 CL02 U099 0.9540786 CL01 U044 0.9382060 CL01 U083 0.9721700 CL02 U039 0.9826612 CL02 U100 0.9767351

Na Etapa 1.8 é calculada a similaridade entre todos os produtos e os usuários/consumidores, para cada cluster, cujo excerto é apresentado na Tabela 27, para o Cenário 1.

Tabela 27. Excerto contendo os valores de simlaridade entre os produtos e os usuários/consumidores dos clusters CL01 e CL02 para o Cenário 1

CL01 CL01 CL01 CL01 CL01 CL01 CL[...] CL02 CL02

U001 U003 U006 U008 U009 U010 U[...] U099 U100

P01 0.6160736 0.3007387 0.0792189 0.2485376 0.4870030 0.2997678 ... 0.6402282 0.2892602 P02 0.0971604 0.1114977 0.1080762 0.2122940 0.0975368 -0.0229243 ... 0.1948148 0.0901811 P03 0.5038158 0.5370833 0.5526592 0.3095330 0.4903223 0.5417869 ... 0.4864214 0.4965552 P04 0.6160736 0.3007387 0.0792189 0.2485376 0.4870030 0.2997678 ... 0.6402282 0.2892602 P05 0.6160736 0.3007387 0.0792189 0.2485376 0.4870030 0.2997678 ... 0.6402282 0.2892602 P06 0.9558204 0.7659905 0.6040613 0.7037933 0.8665113 0.8255662 ... 0.9304429 0.7973858 P[...] ...... P35 0.3856107 0.6478182 0.5752040 0.1521825 0.5987533 0.6433400 ... 0.3472297 0.6280106 P36 -0.2938830 0.0379499 0.1089780 -0.2659455 0.0045960 0.0700870 ... -0.293748 -0.0096744 P37 0.3856107 0.6478182 0.5752040 0.1521825 0.5987533 0.6433400 ... 0.3472297 0.6280106 P38 0.4235256 0.1205879 0.0341293 0.1619064 0.2236707 0.1023562 ... 0.4780699 0.1002931 P39 0.7097456 0.6709568 0.6446419 0.6030182 0.7027585 0.6623219 ... 0.7550614 0.6450745 P40 0.7097456 0.6709568 0.6446419 0.6030182 0.7027585 0.6623219 ... 0.7550614 0.6450745 P41 0.7097456 0.6709568 0.6446419 0.6030182 0.7027585 0.6623219 ... 0.7550614 0.6450745 P42 0.4146044 0.5197293 0.5670879 0.6949533 0.3929558 0.4829431 ... 0.3729802 0.5723949

105

Utilizando os resultados das Etapas 1.7 e Etapa 1.8, os produtos são classificados por ordem de preferência, i.e., similaridade, para cada cluster. Esse ranking para o Cenário 1 está na Tabela 28.

Tabela 28. Ranking de produtos para o Cenário 1 com a classificação dos produtos por ordem de preferência decrescente para os clusters CL01 e CL02

Cluster 1 Cluster 2 Escores Ranking Escores Ranking 47.775892 P06 35.00952 P06 47.77589 P07 35.00952 P07 47.77589 P08 35.00952 P08 47.77589 P19 35.00952 P19 47.77589 P33 35.00952 P33 39.29423 P32 29.83519 P29 39.00026 P29 29.83519 P39 39.00026 P39 29.83519 P40 39.00026 P40 29.83519 P41 39.00026 P41 28.30618 P32 36.99624 P24 26.88929 P24 27.72325 P16 20.86422 P10 27.72325 P17 20.86422 P20 27.72325 P31 20.86422 P35 27.72325 P42 20.86422 P37 25.99474 P03 19.84584 P03 25.61971 P10 19.34339 P16 25.61971 P20 19.34339 P17 25.61971 P35 19.34339 P31 25.61971 P37 19.34339 P42 24.38669 P01 17.21036 P01 24.38669 P04 17.21036 P04 24.38669 P05 17.21036 P05 24.38669 P14 17.21036 P14 16.9436 P12 15.68989 P27 16.9436 P13 15.68989 P28 16.9436 P21 15.68989 P30 16.84408 P27 15.68989 P34 16.84408 P28 11.22316 P12 16.84408 P30 11.22316 P13 16.84408 P34 11.22316 P21 13.60704 P38 9.090122 P38 12.99659 P23 8.258863 P23 7.1294 P02 5.332678 P02 1.620059 P09 2.233793 P09 0.387036 P15 -1.42007 P15 -7.05605 P18 -2.94054 P36 -7.05605 P22 -6.5944 P25 -7.15557 P36 -6.5944 P26 -8.38859 P25 -7.40727 P18 -8.38859 P26 -7.40727 P22 -30.4453 P11 -25.2064 P11

Na Etapa 1.10, utilizando a matriz de produtos para o cenário de propriedades 1, é realizado cálculo de similaridade entre os produtos disponíveis. com a intenção de identificar os produtos mais dissimilares. Na Tabela 29 é apresentado excerto da matriz que informa o

106

nível de similaridade entre os produtos para o Cenário 1. Esta matriz é denominada matriz D no algoritmo Kansumers.

Tabela 29. Excerto da matriz de dissimilaridades entre os produtos para o Cenário 1

P01 P02 P03 P04 P05 P06 P07 P08 P09 P10 P[...] P37 P38 P39 P40 P41 P42

P01 0.0 16.0 36.0 0.0 0.0 4.0 4.0 4.0 64.0 36.0 ... 36.0 4.0 16.0 16.0 16.0 36.0 P02 16.0 0.0 64.0 16.0 16.0 36.0 36.0 36.0 100.0 64.0 ... 64.0 16.0 16.0 16.0 16.0 36.0 P03 36.0 64.0 0.0 36.0 36.0 16.0 16.0 16.0 36.0 16.0 ... 16.0 16.0 16.0 16.0 16.0 36.0 P04 0.0 16.0 36.0 0.0 0.0 4.0 4.0 4.0 64.0 36.0 ... 36.0 4.0 16.0 16.0 16.0 36.0 P05 0.0 16.0 36.0 0.0 0.0 4.0 4.0 4.0 64.0 36.0 ... 36.0 4.0 16.0 16.0 16.0 36.0 P06 4.0 36.0 16.0 4.0 4.0 0.0 0.0 0.0 36.0 16.0 ... 16.0 16.0 4.0 4.0 4.0 16.0 P07 4.0 36.0 16.0 4.0 4.0 0.0 0.0 0.0 36.0 16.0 ... 16.0 16.0 4.0 4.0 4.0 16.0 P08 4.0 36.0 16.0 4.0 4.0 0.0 0.0 0.0 36.0 16.0 ... 16.0 16.0 4.0 4.0 4.0 16.0 P09 64.0 100.0 36.0 64.0 64.0 36.0 36.0 36.0 0.0 4.0 ... 4.0 100.0 64.0 64.0 64.0 36.0 P10 36.0 64.0 16.0 36.0 36.0 16.0 16.0 16.0 4.0 0.0 ... 0.0 64.0 36.0 36.0 36.0 16.0 P11 64.0 36.0 64.0 64.0 64.0 100.0 100.0 100.0 64.0 100.0 ... 100.0 36.0 100.0 100.0 100.0 36.0 P12 64.0 36.0 16.0 64.0 64.0 36.0 36.0 36.0 64.0 36.0 ... 36.0 36.0 36.0 36.0 36.0 4.0 P13 64.0 36.0 16.0 64.0 64.0 36.0 36.0 36.0 64.0 36.0 ... 36.0 36.0 36.0 36.0 36.0 4.0 P14 0.0 16.0 36.0 0.0 0.0 4.0 4.0 4.0 64.0 36.0 ... 36.0 4.0 16.0 16.0 16.0 36.0 P15 4.0 36.0 64.0 4.0 4.0 16.0 16.0 16.0 36.0 64.0 ... 64.0 16.0 36.0 36.0 36.0 64.0 P[...] ...... P30 64.0 36.0 16.0 64.0 64.0 36.0 36.0 36.0 16.0 4.0 ... 4.0 64.0 16.0 16.0 16.0 36.0 P31 36.0 36.0 36.0 36.0 36.0 16.0 16.0 16.0 36.0 16.0 ... 16.0 64.0 36.0 36.0 36.0 0.0 P32 16.0 16.0 36.0 16.0 16.0 4.0 4.0 4.0 36.0 16.0 ... 16.0 36.0 16.0 16.0 16.0 4.0 P33 4.0 36.0 16.0 4.0 4.0 0.0 0.0 0.0 36.0 16.0 ... 16.0 16.0 4.0 4.0 4.0 16.0 P34 64.0 36.0 16.0 64.0 64.0 36.0 36.0 36.0 16.0 4.0 ... 4.0 64.0 16.0 16.0 16.0 36.0 P35 36.0 64.0 16.0 36.0 36.0 16.0 16.0 16.0 4.0 0.0 ... 0.0 64.0 36.0 36.0 36.0 16.0 P36 100.0 64.0 36.0 100.0 100.0 64.0 64.0 64.0 4.0 16.0 ... 16.0 100.0 36.0 36.0 36.0 64.0 P37 36.0 64.0 16.0 36.0 36.0 16.0 16.0 16.0 4.0 0.0 ... 0.0 64.0 36.0 36.0 36.0 16.0 P38 4.0 16.0 16.0 4.0 4.0 16.0 16.0 16.0 100.0 64.0 ... 64.0 0.0 16.0 16.0 16.0 64.0 P39 16.0 16.0 16.0 16.0 16.0 4.0 4.0 4.0 64.0 36.0 ... 36.0 16.0 0.0 0.0 0.0 36.0 P40 16.0 16.0 16.0 16.0 16.0 4.0 4.0 4.0 64.0 36.0 ... 36.0 16.0 0.0 0.0 0.0 36.0 P41 16.0 16.0 16.0 16.0 16.0 4.0 4.0 4.0 64.0 36.0 ... 36.0 16.0 0.0 0.0 0.0 36.0 P42 36.0 36.0 36.0 36.0 36.0 16.0 16.0 16.0 36.0 16.0 ... 16.0 64.0 36.0 36.0 36.0 0.0

Utilizando a matriz de dissimilaridades entre produtos, obtida na Etapa 1.10, é reduzida a dimensionalidade dos produtos usando Escalonamento Multidimensional (MDS), na Etapa 1.11. A matriz resultante para o Cenário 1, denominada matriz Y no algoritmo, está na Tabela 30. Para três dimensões foi obtido o menor valor de ajuste Stress igual a 0.2796785.

107

Tabela 30. Redução da dimensionalidade dos produtos para o Cenário 1

Dimensão 1 Dimensão 2 Dimensão 3

P01 3,8968184 0,7201485 -1,9839998 P02 2,1222484 -1,347333 0,1694177 P03 -1,0570057 0,490895 0,6136125 P04 3,8968184 0,7201485 -1,9839998 P05 3,8968184 0,7201485 -1,9839998 P06 1,4974325 1,4551769 -1,5709225 P07 1,4974325 1,4551769 -1,5709225 P08 1,4974325 1,4551769 -1,5709225 P09 -2,6792364 1,1945523 2,5314556 P10 -2,6630813 3,0212391 -0,5450115 P11 -0,4836596 -7,6638757 0,9967387 P12 -3,2560906 -2,7472226 -1,3894697 P13 -3,2560906 -2,7472226 -1,3894697 P14 3,8968184 0,7201485 -1,9839998 P15 4,9503075 -1,508064 0,2864184 P16 -2,7053983 -1,0007349 -2,7354133 P17 -2,7053983 -1,0007349 -2,7354133 P18 -3,192346 -5,2198646 1,3733801 P19 1,4974325 1,4551769 -1,5709225 P20 -2,6630813 3,0212391 -0,5450115 P21 -3,2560906 -2,7472226 -1,3894697 P22 -3,192346 -5,2198646 1,3733801 P23 2,0830772 -2,578733 2,0623025 P24 1,3038324 -0,5826895 -0,497868 P25 5,3566917 -1,5252532 3,9529025 P26 5,3566917 -1,5252532 3,9529025 P27 -2,5936374 2,741767 2,4132088 P28 -2,5936374 2,741767 2,4132088 P29 1,7798864 1,3540021 0,8403175 P30 -2,5936374 2,741767 2,4132088 P31 -2,7053983 -1,0007349 -2,7354133 P32 -0,380418 -0,0331225 -2,3464559 P33 1,4974325 1,4551769 -1,5709225 P34 -2,5936374 2,741767 2,4132088 P35 -2,6630813 3,0212391 -0,5450115 P36 -2,7035279 0,8936651 6,2139609 P37 -2,6630813 3,0212391 -0,5450115 P38 3,9384493 -1,7549628 -0,6155323 P39 1,7798864 1,3540021 0,8403175 P40 1,7798864 1,3540021 0,8403175 P41 1,7798864 1,3540021 0,8403175 P42 -2,7053983 -1,0007349 -2,7354133

108

A redução da dimensionalidade auxilia no agrupamento por similaridade utilizando o método hierárquico de Ward, na Etapa 1.12. Para o Cenário 1 foi definida uma quantidade de 18 clusters, para exemplificar. Do agrupamento são obtidos os produtos mais dissimilares. i.e., os produtos com menor distância relativa ao centróide dos clusters selecionados. Dessa forma, são identificados os produtos mais dissimilares, na Etapa 1.13. Estes produtos são ordenados conforme os escores de avaliação indireta obtidas das preferências de usuários/consumidores, na Etapa 1.14, na Tabela 31. Deste grupo de produtos mais dissimilares, considerados representativos do domínio Kansei, podem ser selecionados os com avaliações indiretas de preferência mais elevadas, fazendo um corte, ou selecionando um topN para cada cluster. Nos experimentos realizados neste trabalho o topN equivale à quantidade de produtos identificada nos Arranjos Ortogonais de Taguchi, seção 6.6, para permitir a equiparação e avaliação dos resultados fornecidos pelo algoritmo Kansumers com um conjunto de produtos referencial.

Tabela 31. topN de produtos representativos do domínio Kansei para o Cenário 1

CL01 CL02

Escores Escores

TopN 47,77589 P06 35,00952 P06 47,77589 P07 35,00952 P07 47,77589 P08 35,00952 P08 39,00026 P39 29,83519 P39 36,99624 P24 26,88929 P24 25,61971 P10 20,86422 P10 25,61971 P20 20,86422 P20 25,61971 P37 20,86422 P37 24,38669 P14 17,21036 P14 16,9436 P12 15,68989 P30 16,9436 P21 11,22316 P12 16,84408 P30 11,22316 P21 13,60704 P38 9,090122 P38 12,99659 P23 8,258863 P23 1,620059 P09 2,233793 P09 -7,05605 P18 -2,94054 P36 Descartados -7,15557 P36 -6,5944 P25 -8,38859 P25 -7,40727 P18

6.4. Experimento 2

O Experimento 2 é explicado de modo mais simplificado. Este utiliza a matriz , de acessos de usuários/consumidores. São utilizados pesos idênticos, i.e., W1=0.2, W2=0.3 e W3=0.5, e conjunto de propriedades inicial iguais aos do Experimento 1. São formados dois 109

clusters de usuários/consumidores, CL01 e CL02, cujos integrantes estão apresentados na Tabela 32.

Tabela 32. Composição dos clusters de usuários para os produtos no Cenário 2

CL01 U002 U026 U044 U061 U083 U004 U027 U045 U063 U084 U005 U028 U046 U066 U085 U007 U030 U047 U067 U088 U011 U034 U048 U068 U089 U012 U037 U050 U073 U094 U013 U038 U051 U074 U096 U016 U039 U053 U075 U097 U020 U041 U055 U077 U098 U024 U042 U058 U081 U100

CL02 U001 U019 U036 U062 U080 U003 U021 U040 U064 U082 U006 U022 U043 U065 U086 U008 U023 U049 U069 U087 U009 U025 U052 U070 U090 U010 U029 U054 U071 U091 U014 U031 U056 U072 U092 U015 U032 U057 U076 U093 U017 U033 U059 U078 U095 U018 U035 U060 U079 U099

Dos cálculos de similaridades entre usuários/consumidores e centróides, e entre usuários/consumidores e produtos, em cada cluster, são calculados os escores de avaliação indireta para os produtos, o que permite a classificação, por grau de preferência, dos produtos para cada cluster. Esse ranking, para o Cenário 2, está na Tabela 33.

Tabela 33. Ranking de produtos para o Cenário 2 para os clusters CL01 e CL02

(continua)

Cluster 1 Cluster 2

Escores Ranking Escores Ranking 43,12818 P02 41,52382 P02 43,12818 P04 41,52382 P04 43,12818 P15 41,52382 P15 43,12818 P16 41,52382 P16 43,12818 P17 41,52382 P17 43,12818 P19 41,52382 P19 43,12818 P23 41,52382 P23 43,12818 P39 41,52382 P39 43,12818 P42 41,52382 P42

110

Tabela 33. Ranking de produtos para o Cenário 2 para os clusters CL01 e CL02

(conclusão)

Cluster 1 Cluster 2

Escores Ranking Escores Ranking 34,4073 P03 33,93421 P03 34,4073 P34 33,93421 P34 34,4073 P35 33,93421 P35 33,05148 P40 31,95156 P40 29,93084 P01 29,72594 P01 29,93084 P05 29,72594 P05 29,93084 P14 29,72594 P14 28,58029 P09 27,38073 P09 28,58029 P10 27,38073 P10 28,58029 P20 27,38073 P20 26,22609 P38 25,79754 P38 24,3306 P08 24,36195 P08 24,3306 P24 24,36195 P24 24,3306 P36 24,36195 P36 24,3306 P41 24,36195 P41 18,50359 P37 17,90164 P11 17,42354 P29 17,90164 P12 17,42354 P33 17,90164 P13 16,41811 P11 17,90164 P18 16,41811 P12 17,90164 P31 16,41811 P13 17,80847 P37 16,41811 P18 15,71242 P29 16,41811 P31 15,71242 P33 13,14425 P25 13,97325 P21 13,14425 P26 13,97325 P22 12,71336 P21 11,92 P25 12,71336 P22 11,92 P26 8,702663 P30 8,122811 P30 0,521453 P32 -0,01386 P32 -1,37404 P27 -1,44945 P27 -5,90007 P06 -5,73428 P6 -5,90007 P07 -5,73428 P07 -7,20105 P28 -8,00293 P28

Com a intenção de identificar os produtos mais dissimilares no conjunto inicial, é realizada redução das dimensões dos produtos, aplicando o método MDS. A matriz Y para o Cenário 2 apresenta as novas dimensões para o conjunto de produtos na Tabela 34. Para quatro dimensões foi obtido o menor valor de ajuste Stress igual a 0.2035946.

Tabela 34. Redução da dimensionalidade dos produtos para o Cenário 2, matriz Y

(continua)

Dimensão 1 Dimensão 2 Dimensão 3 Dimensão 4

P01 -1,08855 -1,49575 -1,09635 -0,77578 P02 -1,73123 0,137033 0,489048 -0,28049 P03 0,446422 0,445864 2,057813 -0,69579 P04 -1,73123 0,137033 0,489048 -0,28049

111

Tabela 34. Redução da dimensionalidade dos produtos para o Cenário 2, matriz Y

(conclusão)

Dimensão 1 Dimensão 2 Dimensão 3 Dimensão 4

P05 -1,08855 -1,49575 -1,09635 -0,77578 P06 3,830685 1,867051 -0,24584 -1,15348 P07 3,830685 1,867051 -0,24584 -1,15348 P08 2,715159 -0,14353 0,587827 -0,66271 P09 -0,61732 -0,10766 1,72012 1,94643 P10 -0,61732 -0,10766 1,72012 1,94643 P11 0,468999 -2,88206 -0,39303 0,235565 P12 0,468999 -2,88206 -0,39303 0,235565 P13 0,468999 -2,88206 -0,39303 0,235565 P14 -1,08855 -1,49575 -1,09635 -0,77578 P15 -1,73123 0,137033 0,489048 -0,28049 P16 -1,73123 0,137033 0,489048 -0,28049 P17 -1,73123 0,137033 0,489048 -0,28049 P18 0,468999 -2,88206 -0,39303 0,235565 P19 -1,73123 0,137033 0,489048 -0,28049 P20 -0,61732 -0,10766 1,72012 1,94643 P21 0,455133 -2,39327 -0,87278 0,544534 P22 0,455133 -2,39327 -0,87278 0,544534 P23 -1,73123 0,137033 0,489048 -0,28049 P24 2,715159 -0,14353 0,587827 -0,66271 P25 -2,53442 2,110968 -0,03536 -0,55469 P26 -2,53442 2,110968 -0,03536 -0,55469 P27 3,528201 2,742371 -1,38009 -0,11962 P28 2,555982 2,236296 -1,82897 3,263553 P29 -2,11041 2,80286 -0,96274 0,50594 P30 0,698021 3,319568 0,920935 0,366257 P31 0,468999 -2,88206 -0,39303 0,235565 P32 -1,16605 1,77468 -3,96317 0,156785 P33 -2,11041 2,80286 -0,96274 0,50594 P34 0,446422 0,445864 2,057813 -0,69579 P35 0,446422 0,445864 2,057813 -0,69579 P36 2,715159 -0,14353 0,587827 -0,66271 P37 2,036684 -0,71694 0,25812 1,707582 P38 -1,16956 -0,86617 -1,4175 -0,6743 P39 -1,73123 0,137033 0,489048 -0,28049 P40 0,388538 -0,04124 -1,18828 -0,81202 P41 2,715159 -0,14353 0,587827 -0,66271 P42 -1,73123 0,137033 0,489048 -0,28049

Para o Cenário 2 é obtido o conjunto de produtos representativos, ordenados por grau de preferência dos usuários/consumidores, mostrado na Tabela 35. É utilizado topN igual ao

112

número de produtos obtidos com o método OA, i.e., um conjunto de 16 produtos representativos do domínio.

Tabela 35. topN de produtos representativos do domínio Kansei para o Cenário 2

CL01 CL02

Escores Escores

TopN 43,12818 P04 41,52382 P04 43,12818 P15 41,52382 P15 43,12818 P16 41,52382 P16 43,12818 P39 41,52382 P39 34,4073 P03 33,93421 P03 33,05148 P40 31,95156 P40 29,93084 P05 29,72594 P05 26,22609 P38 25,79754 P38 24,3306 P36 24,36195 P36 18,50359 P37 17,90164 P11 17,42354 P29 17,90164 P12 16,41811 P11 17,90164 P18 16,41811 P12 17,80847 P37 16,41811 P18 15,71242 P29 13,14425 P25 13,97325 P21 12,71336 P21 11,92 P25 Descartados 8,702663 P30 8,122811 P30 0,521453 P32 -0,01386 P32 -1,37404 P27 -1,44945 P27 -5,90007 P06 -5,73428 P06 -7,20105 P28 -8,00293 P28

6.5. Experimento 3

Para o Experimentos 3, Cenário 3, são formados os dois clusters de usuários/consumidores, CL01 e CL02, apresentados na Tabela 36.

Tabela 36. Composição dos clusters de usuários para os produtos no Cenário 3

(continua)

CL01 U001 U019 U040 U060 U079 U095 U003 U022 U043 U062 U082 U097 U006 U024 U044 U064 U083 U008 U026 U047 U065 U086 U009 U029 U049 U066 U087 U010 U031 U051 U069 U088 U014 U032 U052 U070 U090 U015 U033 U054 U072 U091

113

Tabela 36. Composição dos clusters de usuários para os produtos no Cenário 3

(conclusão)

CL01 U017 U035 U056 U076 U092 U018 U036 U059 U078 U093

CL02 U002 U023 U042 U063 U084 U004 U025 U045 U067 U085 U005 U027 U046 U068 U089 U007 U028 U048 U071 U094 U011 U030 U050 U073 U096 U012 U034 U053 U074 U098 U013 U037 U055 U075 U099 U016 U038 U057 U077 U100 U020 U039 U058 U080 U021 U041 U061 U081

Dos cálculos de similaridades entre usuários/consumidores e centróides, e entre usuários/consumidores e produtos, em cada cluster, é obtida a matriz de escores de avaliação indireta para os produtos, para o Cenário 3, conforme Tabela 37.

Tabela 37. Ranking de produtos para o Cenário 3, clusters CL01 e CL02

(continua)

CL01 CL02

Escores Ranking Escores Ranking

42,36778 P02 41,10194 P02 42,36778 P08 41,10194 P08 42,36778 P09 41,10194 P09 42,36778 P20 41,10194 P20 42,36778 P25 41,10194 P25 42,36778 P26 41,10194 P26 42,36778 P27 41,10194 P27 42,36778 P30 41,10194 P30 42,36778 P33 41,10194 P33 42,36778 P34 41,10194 P34 42,36778 P35 41,10194 P35 42,36778 P36 41,10194 P36 42,36778 P37 41,10194 P37 42,36778 P39 41,10194 P39 25,69483 P11 21,16568 P01 25,69483 P12 21,16568 P04 25,69483 P13 21,16568 P05 25,69483 P16 21,16568 P14 25,69483 P31 21,16568 P15

114

Tabela 37. Ranking de produtos para o Cenário 3, clusters CL01 e CL02

(conclusão)

CL01 CL02

Escores Ranking Escores Ranking

25,69483 P32 21,16568 P17 25,69483 P38 21,16568 P19 23,2172 P01 21,16568 P29 23,2172 P04 21,16568 P42 23,2172 P05 20,6937 P11 23,2172 P14 20,6937 P12 23,2172 P15 20,6937 P13 23,2172 P17 20,6937 P16 23,2172 P19 20,6937 P31 23,2172 P29 20,6937 P32 23,2172 P42 20,6937 P38 14,15707 P03 15,33864 P03 14,15707 P06 15,33864 P06 14,15707 P07 15,33864 P07 14,15707 P10 15,33864 P10 14,15707 P23 15,33864 P23 11,0309 P40 9,943282 P40 11,0309 P41 9,943282 P41 5,67246 P28 6,206908 P28 -5,44597 P18 -8,19274 P18 -5,44597 P21 -8,19274 P21 -5,44597 P22 -8,19274 P22 -17,1798 P24 -15,82 P24

Também, são identificados os produtos mais dissimilares no conjunto inicial, aplicando o método MDS. A matriz Y para o Cenário 3 apresenta as novas dimensões para o conjunto de produtos na Tabela 38. Para quatro dimensões foi obtido o menor valor de ajuste Stress igual a 0.2658776.

Tabela 38. Redução da dimensionalidade dos produtos para o Cenário 3, matriz Y

(continua)

Dimensão 1 Dimensão 2 Dimensão 3 Dimensão 4

P01 1,523497 2,341227 0,116955 0,221278 P02 -1,64728 0,292546 -0,72755 -0,70983 P03 -3,44203 -1,26314 1,458497 0,58447 P04 1,523497 2,341227 0,116955 0,221278

115

Tabela 38. Redução da dimensionalidade dos produtos para o Cenário 3, matriz Y

(conclusão)

Dimensão 1 Dimensão 2 Dimensão 3 Dimensão 4

P05 1,523497 2,341227 0,116955 0,221278 P06 -3,44203 -1,26314 1,458497 0,58447 P07 -3,44203 -1,26314 1,458497 0,58447 P08 -1,64728 0,292546 -0,72755 -0,70983 P09 -1,64728 0,292546 -0,72755 -0,70983 P10 -3,44203 -1,26314 1,458497 0,58447 P11 2,336818 -1,28799 0,674676 -0,74458 P12 2,336818 -1,28799 0,674676 -0,74458 P13 2,336818 -1,28799 0,674676 -0,74458 P14 1,523497 2,341227 0,116955 0,221278 P15 1,523497 2,341227 0,116955 0,221278 P16 2,336818 -1,28799 0,674676 -0,74458 P17 1,523497 2,341227 0,116955 0,221278 P18 2,602549 -3,72686 -0,98006 0,148681 P19 1,523497 2,341227 0,116955 0,221278 P20 -1,64728 0,292546 -0,72755 -0,70983 P21 2,602549 -3,72686 -0,98006 0,148681 P22 2,602549 -3,72686 -0,98006 0,148681 P23 -3,44203 -1,26314 1,458497 0,58447 P24 -0,47203 -1,25144 -2,29639 5,381673 P25 -1,64728 0,292546 -0,72755 -0,70983 P26 -1,64728 0,292546 -0,72755 -0,70983 P27 -1,64728 0,292546 -0,72755 -0,70983 P28 0,955375 0,948846 0,305481 -0,09857 P29 1,523497 2,341227 0,116955 0,221278 P30 -1,64728 0,292546 -0,72755 -0,70983 P31 2,336818 -1,28799 0,674676 -0,74458 P32 2,336818 -1,28799 0,674676 -0,74458 P33 -1,64728 0,292546 -0,72755 -0,70983 P34 -1,64728 0,292546 -0,72755 -0,70983 P35 -1,64728 0,292546 -0,72755 -0,70983 P36 -1,64728 0,292546 -0,72755 -0,70983 P37 -1,64728 0,292546 -0,72755 -0,70983 P38 2,336818 -1,28799 0,674676 -0,74458 P39 -1,64728 0,292546 -0,72755 -0,70983 P40 0,955928 0,824041 1,024474 2,253308 P41 0,955928 0,824041 1,024474 2,253308 P42 1,523497 2,341227 0,116955 0,221278

Para o Cenário 3 é obtido o conjunto de produtos representativos, ordenados por grau de preferência dos usuários/consumidores, mostrado na Tabela 39. O topN é igual ao número

116

de produtos obtidos com o método OA, i.e., um conjunto de 25 produtos representativos do domínio.

Tabela 39. topN de produtos representativos do domínio Kansei para o Cenário 3

CL01 CL02

Escores Escores

TopN 42,36778 P25 41,10194 P25 42,36778 P27 41,10194 P27

42,36778 P39 41,10194 P39

25,69483 P12 21,16568 P05

25,69483 P31 21,16568 P14

25,69483 P38 21,16568 P19

23,2172 P05 21,16568 P29

23,2172 P14 20,6937 P12

23,2172 P19 20,6937 P31

23,2172 P29 20,6937 P38

14,15707 P06 15,33864 P06

14,15707 P10 15,33864 P10

14,15707 P23 15,33864 P23

11,0309 P40 9,943282 P40

-5,44597 P18 -8,19274 P18

-5,44597 P22 -8,19274 P22

- - - -

6.6. Análise dos resultados

Com a intenção de facilitar a análise, os conjuntos de produtos representativos do domínio, obtidos dos Experimentos 1, 2 e 3; e, conjuntos de produtos representativos referenciais, obtidos da aplicação dos Arranjos Ortogonais de Taguchi, serão, aqui, representados em termos de suas características e como vetores que indicam a frequência com que as categorias estão presentes nos produtos representativos, para cada item. A análise é composta por critérios que avaliam o atendimento às necessidades de um Sistema de Engenharia Kansei, com a intenção de permitir execução dos métodos estatísticos a serem

117

aplicados nas etapas posteriores do Sistema de Engenharia Kansei. Os seguintes critérios devem ser obedecidos para que se avalie determinada propriedade, i.e., composição item/categoria: a) as propriedades, composições itens/categorias, a serem avaliadas, devem estar presentes nos produtos representativos do domínio Kansei selecionado (NAGAMACHI; LOKMAN, 2011); b) as propriedades a serem avaliadas devem repetir, pelo menos, uma vez no conjunto de produtos representativos do domínio Kansei selecionado (NAGAMACHI; LOKMAN, 2011); c) os produtos do conjunto de produtos representativos do domínio Kansei selecionado não redundam (NAGAMACHI; LOKMAN, 2011); d) a razão entre o número de propriedades, itens/categorias, definida, e o número de produtos representativos do domínio Kansei selecionado deve ser menor que 1 (NAKADA, 1997). Para o Cenário 1 de propriedades, utilizado no Experimento 1, foram obtidos os grupos de produtos representativos do domínio Kansei, descritos em termos de suas características, mostrados na Tabela 40. Os grupos contém os produtos integrantes do topN, para os clusters de consumidores CL01 e CL02.

Tabela 40. Grupo de produtos representativos do domínio para os clusters CL01 e CL02 obtido no primeiro experimento

(continua)

GPS Altura (mm) Largura (mm) Profundidade (mm) TV (GLONASS) CL01 P06 2. 134.1- 149.1 2. 69.9- 75.6 2. 8.1-10.1 1. Sim 2. Não P07 2. 134.1- 149.1 2. 69.9- 75.6 2. 8.1-10.1 1. Sim 2. Não P08 2. 134.1- 149.1 2. 69.9- 75.6 2. 8.1-10.1 1. Sim 2. Não P39 2. 134.1- 149.1 2. 69.9- 75.6 1. 5.9- 8.0 1. Sim 2. Não P24 2. 134.1- 149.1 2. 69.9- 75.6 3. 10.2-12.3 1. Sim 2. Não P10 3. 149.2-164.2 3. 75.7- 81.5 2. 8.1-10.1 1. Sim 2. Não P20 3. 149.2-164.2 3. 75.7- 81.5 2. 8.1-10.1 1. Sim 2. Não P37 3. 149.2-164.2 3. 75.7- 81.5 2. 8.1-10.1 1. Sim 2. Não P14 2. 134.1- 149.1 2. 69.9- 75.6 2. 8.1-10.1 2. Não 2. Não P12 1. 118.9- 134.0 1. 64- 69.8 3. 10.2-12.3 1. Sim 2. Não P21 1. 118.9- 134.0 1. 64- 69.8 3. 10.2-12.3 1. Sim 2. Não P30 3. 149.2-164.2 3. 75.7- 81.5 1. 5.9- 8.0 1. Sim 2. Não P38 2. 134.1- 149.1 2. 69.9- 75.6 3. 10.2-12.3 2. Não 2. Não P23 2. 134.1- 149.1 2. 69.9- 75.6 3. 10.2-12.3 1. Sim 1. Sim P09 3. 149.2-164.2 3. 75.7- 81.5 2. 8.1-10.1 1. Sim 1. Sim P18 1. 118.9- 134.0 1. 64- 69.8 3. 10.2-12.3 1. Sim 1. Sim

118

Tabela 40. Grupo de produtos representativos do domínio para os clusters CL01 e CL02 obtido no primeiro experimento

(conclusão)

GPS Altura (mm) Largura (mm) Profundidade (mm) TV (GLONASS) CL02 P06 2. 134.1- 149.1 2. 69.9- 75.6 2. 8.1-10.1 1. Sim 2. Não P07 2. 134.1- 149.1 2. 69.9- 75.6 2. 8.1-10.1 1. Sim 2. Não P08 2. 134.1- 149.1 2. 69.9- 75.6 2. 8.1-10.1 1. Sim 2. Não P39 2. 134.1- 149.1 2. 69.9- 75.6 1. 5.9- 8.0 1. Sim 2. Não P24 2. 134.1- 149.1 2. 69.9- 75.6 3. 10.2-12.3 1. Sim 2. Não P10 3. 149.2-164.2 3. 75.7- 81.5 2. 8.1-10.1 1. Sim 2. Não P20 3. 149.2-164.2 3. 75.7- 81.5 2. 8.1-10.1 1. Sim 2. Não P37 3. 149.2-164.2 3. 75.7- 81.5 2. 8.1-10.1 1. Sim 2. Não P14 2. 134.1- 149.1 2. 69.9- 75.6 2. 8.1-10.1 2. Não 2. Não P30 3. 149.2-164.2 3. 75.7- 81.5 1. 5.9- 8.0 1. Sim 2. Não P12 1. 118.9- 134.0 1. 64- 69.8 3. 10.2-12.3 1. Sim 2. Não P21 1. 118.9- 134.0 1. 64- 69.8 3. 10.2-12.3 1. Sim 2. Não P38 2. 134.1- 149.1 2. 69.9- 75.6 3. 10.2-12.3 2. Não 2. Não P23 2. 134.1- 149.1 2. 69.9- 75.6 3. 10.2-12.3 1. Sim 1. Sim P09 3. 149.2-164.2 3. 75.7- 81.5 2. 8.1-10.1 1. Sim 1. Sim P36 3. 149.2-164.2 3. 75.7- 81.5 1. 5.9- 8.0 1. Sim 1. Sim

As propriedades contidas nos conjuntos de produtos para os clusters CL01 e CL02 obtidos no Experimento 1 podem ser representadas nos vetores, V11 e V12, mostrados na Tabela 41.

Tabela 41. Vetores V11 e V12 representativos das propriedades presentes nos conjuntos de produtos representativos do domínio Kansei obtidos do primeiro experimento

I11 I12 I13 I21 I22 I23 I31 I32 I33 I101 I102 I111 I112 V11 3 8 5 3 8 5 2 8 6 14 2 3 13 V12 2 8 6 2 8 6 3 8 5 14 2 3 13

Esses vetores representam as quantidades em que se repetem as propriedades, em termos de suas categorias, nos produtos selecionados conforme o grau de dissimilaridade e o ranking de preferências para cada cluter de consumidores. Como pode ser verificado, os vetores V11 e V12 são similares, com poucas variações na cadeia. Esta similaridade será observada, também, entre os vetores V21 e V22 e entre os vetores V31 e V32, nos Experimentos subsequentes. Isto ocorre pois as funções escolhidas no Excel para a geração da matriz de acessos de usuários/consumidores, , hipotética, i.e. ALETORIO() e ALEATORIOENTRE(limite_inferior;limite_superior), utilizam uma distribuição uniforme para a geração dos dados. Utilizando a teoria de planejamento de experimentos com Arranjos Ortogonais de Taguchi, é identificada a combinação de propriedades de referência. Neste trabalho esses

119

arranjos são obtidos utilizando o software SPSS Statistics, versão 19. Para o Cenário 1 de propriedades, é obtida a configuração de produtos fictícios mostrada na Tabela 42.

Tabela 42. Arranjos ortogonais para o primeiro experimento

GPS Altura (mm) Largura (mm) Profundidade (mm) TV (GLONASS) 1 3. 149.2-164.2 3. 75.7- 81.5 1. 5.9- 8.0 2. Não 2. Não 2 2. 134.1- 149.1 2. 69.9- 75.6 1. 5.9- 8.0 2. Não 1. Sim 3 3. 149.2-164.2 2. 69.9- 75.6 1. 5.9- 8.0 1. Sim 2. Não 4 1. 118.9- 134.0 1. 64- 69.8 1. 5.9- 8.0 1. Sim 1. Sim 5 3. 149.2-164.2 1. 64- 69.8 2. 8.1-10.1 1. Sim 1. Sim 6 1. 118.9- 134.0 2. 69.9- 75.6 3. 10.2-12.3 1. Sim 1. Sim 7 1. 118.9- 134.0 1. 64- 69.8 1. 5.9- 8.0 2. Não 1. Sim 8 3. 149.2-164.2 1. 64- 69.8 3. 10.2-12.3 2. Não 1. Sim 9 2. 134.1- 149.1 3. 75.7- 81.5 1. 5.9- 8.0 1. Sim 1. Sim 10 1. 118.9- 134.0 2. 69.9- 75.6 2. 8.1-10.1 2. Não 2. Não 11 1. 118.9- 134.0 3. 75.7- 81.5 3. 10.2-12.3 1. Sim 2. Não 12 1. 118.9- 134.0 1. 64- 69.8 1. 5.9- 8.0 2. Não 2. Não 13 2. 134.1- 149.1 1. 64- 69.8 3. 10.2-12.3 2. Não 2. Não 14 1. 118.9- 134.0 3. 75.7- 81.5 2. 8.1-10.1 2. Não 1. Sim 15 2. 134.1- 149.1 1. 64- 69.8 2. 8.1-10.1 1. Sim 2. Não 16 1. 118.9- 134.0 1. 64- 69.8 1. 5.9- 8.0 1. Sim 2. Não

As propriedades contidas no conjunto de produtos referencial, para o Cenário 1, podem ser representadas pelo vetor, VR01, mostrado na Tabela 43.

Tabela 43. Vetor VR01 representativo das propriedades presentes no conjunto de produtos referencial obtido do Cenário 1

I11 I12 I13 I21 I22 I23 I31 I32 I33 I101 I102 I111 I112 VR01 8 4 4 8 4 4 8 4 4 8 8 8 8

Comparando-se os vetores V11 e V12 ao vetor referencial VR01, é possível verificar que, o vetor referencial está melhor balanceado, o que pode ser constatado visualmente. Estatisticamente, os vetores V11 e V12 apresentam, em termos de sua variações em propriedades, desvios padrão de 14.28 e 14.74, respectivamente. São similares e diferem pela presença do produto P18 no cluster 1, CL01, e P36 no cluster 2, CL02. O vetor referencial VR01 possui desvio padrão de 3.98. A disparidade entre os desvios padrão do conjunto de propriedades do Experimento 1 e o referencial, ocorre pois, no caso experimental, são utilizados produtos reais, cujas características estão distribuídas de forma irregular entre os exemplares. No conjunto de produtos referencial, são gerados produtos que possam minimizar as variações na distribuição de propriedades. A despeito disso, são obedecidas as sugestões de Nagamachi e Lokman (2011), para o conjuto de propriedades em um Sistema de Engenharia Kansei. Por exemplo, a propriedade

120

I102, no vetor V11, que indica a ausência de GPS do tipo GLONASS, está representada em dois produtos, i.e., valor mínimo para que uma propriedade possa ser avaliada na etapa de Síntese Kansei. Por outro lado, a propriedade I112, no mesmo vetor, está presente em treze produtos, de um total de 16, indicando, também, que esta é, ou uma característica preferencial pelos grupos de consumidores, ou uma característica bastante redundante no conjunto de produtos inicial. Embora, como observado na Tabela 40, não haja redundância de produtos, i.e., produtos com características totalmente iguais. Para o Cenário 2 de propriedades, utilizado no Experimento 2, foram obtidos os grupos de produtos representativos mostrados na Tabela 44, para os clusters de consumidores CL01 e CL02.

Tabela 44. Grupo de produtos representativos do domínio para os clusters CL01 e CL02 obtido segundo experimento Polegadas da tela Resolução da tela Tipo de tela CL01 P04 2. 4.6-5.0 3. 720x1280 1. LCD P15 2. 4.6-5.0 3. 720x1280 1. LCD P16 2. 4.6-5.0 3. 720x1280 1. LCD P39 2. 4.6-5.0 3. 720x1280 1. LCD P03 3. 5.1-5.5 3. 720x1280 1. LCD P40 2. 4.6-5.0 4. 1080x1920 1. LCD P05 2. 4.6-5.0 1. 480x800-54 1. LCD P38 2. 4.6-5.0 2. 540x960 1. LCD P36 3. 5.1-5.5 4. 1080x1920 1. LCD P37 4. 5.6-6.0 4. 1080x1920 1. LCD P29 2. 4.6-5.0 3. 720x1280 4. SUPER AMOLED P11 1. 4.0-4.5 1. 480x800-54 1. LCD P12 1. 4.0-4.5 1. 480x800-54 1. LCD P18 1. 4.0-4.5 1. 480x800-54 1. LCD P25 2. 4.6-5.0 3. 720x1280 3. AMOLED P21 1. 4.0-4.5 2. 540x960 1. LCD CL02 P04 2. 4.6-5.0 3. 720x1280 1. LCD P15 2. 4.6-5.0 3. 720x1280 1. LCD P16 2. 4.6-5.0 3. 720x1280 1. LCD P39 2. 4.6-5.0 3. 720x1280 1. LCD P03 3. 5.1-5.5 3. 720x1280 1. LCD P40 2. 4.6-5.0 4. 1080x1920 1. LCD P05 2. 4.6-5.0 1. 480x800-54 1. LCD P38 2. 4.6-5.0 2. 540x960 1. LCD P36 3. 5.1-5.5 4. 1080x1920 1. LCD P11 1. 4.0-4.5 1. 480x800-54 1. LCD P12 1. 4.0-4.5 1. 480x800-54 1. LCD P18 1. 4.0-4.5 1. 480x800-54 1. LCD P37 4. 5.6-6.0 4. 1080x1920 1. LCD P29 2. 4.6-5.0 3. 720x1280 4. SUPER AMOLED P21 1. 4.0-4.5 2. 540x960 1. LCD P25 2. 4.6-5.0 3. 720x1280 3. AMOLED

Para o Cenário 2 de propriedades, é obtido o conjunto de produtos referencial mostrado na Tabela 45.

121

Tabela 45. Arranjos ortogonais para o segundo experimento Polegadas da tela Resolução da tela Tipo de tela 1 2. 4.6-5.0 3. 720x1280 4. SUPER AMOLED 2 4. 5.6-6.0 4. 1080x1920 4. SUPER AMOLED 3 4. 5.6-6.0 1. 480x800-54 2. P-OLED 4 1. 4.0-4.5 2. 540x960 4. SUPER AMOLED 5 3. 5.1-5.5 1. 480x800-54 4. SUPER AMOLED 6 4. 5.6-6.0 3. 720x1280 1. LCD 7 3. 5.1-5.5 2. 540x960 1. LCD 8 1. 4.0-4.5 4. 1080x1920 3. AMOLED 9 1. 4.0-4.5 3. 720x1280 2. P-OLED 10 1. 4.0-4.5 1. 480x800-54 1. LCD 11 4. 5.6-6.0 2. 540x960 3. AMOLED 12 3. 5.1-5.5 3. 720x1280 3. AMOLED 13 2. 4.6-5.0 1. 480x800-54 3. AMOLED 14 2. 4.6-5.0 4. 1080x1920 1. LCD 15 3. 5.1-5.5 4. 1080x1920 2. P-OLED 16 2. 4.6-5.0 2. 540x960 2. P-OLED

Os vetores representativos das propriedades contidas nos conjuntos de produtos, para os clusters CL01 e CL02, obtidos no Experimento 2, V21 e V22, e no conjunto referencial para o Cenário 2, VR02, são mostrados na Tabela 46.

Tabela 46. Vetores V21, V22 e VR02, obtidos para o Cenário 2, no segundo experimento

I41 I42 I43 I44 I51 I52 I53 I54 I61 I62 I63 I64 V21 4 9 2 1 4 2 7 3 14 0 1 1 V22 4 9 2 1 4 2 7 3 14 0 1 1 VR02 4 4 4 4 4 4 4 4 4 4 4 4

No Experimento 2, os vetores obtidos, V21 e V22 apresentam, em termos de sua variações em propriedades, o mesmo valor de desvio padrão, 15.50 e 15.50, pois são idênticos. O vetor referencial VR02 possui desvio padrão de 0, já que a presença das categorias de propriedades estão distribuídas de forma igualitária. Neste Experimento a disparidade entre desvios padrão foi maior que no Experimento 1. Deve-se ao fato de existirem mais variações, i.e., categorias, para cada item, no caso, para os itens “polegadas da tela” e “resolução da tela” são identificadas 5 faixas de categorias para cada; e, parte dessas categorias não apresentarem elevada redundância nos conjunto de produtos inicial, ou não serem um diferencial demonstrado nos acessos de consumidores. Reforça esta consideração o fato de nenhum dos produtos representativos obtidos no Experimento 2 apresentarem a categoria “P-OLED”, para o item “Tipo de tela”; ou mesmo, apresentarem somente um exemplar para a categoria “5.6-6.0”, no item “Polegadas da tela”. A ausência de produtos representativos para essas propriedades indica que não podem ser avaliadas na etapa de síntese do Sistema de Engenharia Kansei. Desta forma, pode-se concluir

122

que para um dado experimento algumas propriedades podem ser excluídas, como um indicativo, também, do grau de preferência de usuários/consumidores por estas características. Sendo assim, somente as propriedades inseridas em produtos dissimilares com maiores pontuações no ranking de preferências, para um cluster de usuários/consumidores, são viáveis para avaliação e uso nas etapas seguintes do Sistema. Para o Cenário 3 de propriedades, utilizado no Experimento 3, foram obtidos os grupos de produtos representativos mostrados na Tabela 47, para os clusters de consumidores CL01 e CL02.

Tabela 47. Grupo de produtos representativos do domínio para os clusters CL01 e CL02 obtido no terceiro experimento Megapixel da câmera Resolução da câmera Flash CL01 P25 3. 13 MP 3. 4128x3096/4160x3120 1. LED P27 3. 13 MP 3. 4128x3096/4160x3120 1. LED P39 3. 13 MP 3. 4128x3096/4160x3120 1. LED P12 1. 5 MP 1. 2592x1944 1. LED P31 1. 5 MP 1. 2592x1944 1. LED P38 1. 5 MP 1. 2592x1944 1. LED P05 2. 8 MP 2. 3264x2448 1. LED P14 2. 8 MP 2. 3264x2448 1. LED P19 2. 8 MP 2. 3264x2448 1. LED P29 2. 8 MP 2. 3264x2448 1. LED P06 3. 13 MP 3. 4128x3096/4160x3120 2. Dual LED P10 3. 13 MP 3. 4128x3096/4160x3120 2. Dual LED P23 3. 13 MP 3. 4128x3096/4160x3120 2. Dual LED P40 5. 20.7/21/21.5 MP 4. 5248x3936/ 5291x3968 1. LED P18 1. 5 MP 1. 2592x1944 3. Não P22 1. 5 MP 1. 2592x1944 3. Não CL02 P25 3. 13 MP 3. 4128x3096/4160x3120 1. LED P27 3. 13 MP 3. 4128x3096/4160x3120 1. LED P39 3. 13 MP 3. 4128x3096/4160x3120 1. LED P05 2. 8 MP 2. 3264x2448 1. LED P14 2. 8 MP 2. 3264x2448 1. LED P19 2. 8 MP 2. 3264x2448 1. LED P29 2. 8 MP 2. 3264x2448 1. LED P12 1. 5 MP 1. 2592x1944 1. LED P31 1. 5 MP 1. 2592x1944 1. LED P38 1. 5 MP 1. 2592x1944 1. LED P06 3. 13 MP 3. 4128x3096/4160x3120 2. Dual LED P10 3. 13 MP 3. 4128x3096/4160x3120 2. Dual LED P23 3. 13 MP 3. 4128x3096/4160x3120 2. Dual LED P40 5. 20.7/21/21.5 MP 4. 5248x3936/ 5291x3968 1. LED P18 1. 5 MP 1. 2592x1944 3. Não P22 1. 5 MP 1. 2592x1944 3. Não

Para o Cenário 3 de propriedades, é obtido o conjunto de produtos referencial mostrado na Tabela 48.

123

Tabela 48. Arranjos ortogonais para o terceiro experimento Megapixel da Resolução da câmera Flash câmera 1 2. 8 MP 1. 2592x1944 3. Não 2 4. 16 MP 2. 3264x2448 1. LED 3 4. 16 MP 4. 5248x3936/ 5291x3968 3. Não 4 4. 16 MP 1. 2592x1944 2. Dual LED 5 4. 16 MP 3. 4128x3096/4160x3120 1. LED 6 2. 8 MP 4. 5248x3936/ 5291x3968 1. LED 7 3. 13 MP 1. 2592x1944 2. Dual LED 8 3. 13 MP 4. 5248x3936/ 5291x3968 1. LED 9 3. 13 MP 3. 4128x3096/4160x3120 1. LED 10 5. 20.7/21/21.5 MP 4. 5248x3936/ 5291x3968 2. Dual LED 11 2. 8 MP 2. 3264x2448 2. Dual LED 12 5. 20.7/21/21.5 MP 3. 4128x3096/4160x3120 3. Não 13 4. 16 MP 5. 5312x2988 2. Dual LED 14 5. 20.7/21/21.5 MP 1. 2592x1944 1. LED 15 3. 13 MP 2. 3264x2448 2. Dual LED 16 5. 20.7/21/21.5 MP 5. 5312x2988 2. Dual LED 17 5. 20.7/21/21.5 MP 2. 3264x2448 1. LED 18 1. 5 MP 1. 2592x1944 1. LED 19 2. 8 MP 3. 4128x3096/4160x3120 2. Dual LED 20 1. 5 MP 2. 3264x2448 3. Não 21 1. 5 MP 3. 4128x3096/4160x3120 2. Dual LED 22 1. 5 MP 5. 5312x2988 1. LED 23 2. 8 MP 5. 5312x2988 1. LED 24 3. 13 MP 5. 5312x2988 3. Não 25 1. 5 MP 4. 5248x3936/ 5291x3968 2. Dual LED

Os vetores representativos das propriedades contidas nos conjuntos de produtos, para os clusters CL01 e CL02, obtidos no Experimento 3, V31 e V32, e no conjunto referencial para o Cenário 3, VR03, são mostrados na Tabela 49.

Tabela 49. Vetores V31, V32 e VR03, obtidos para o Cenário 3, no terceiro experimento

I71 I72 I73 I74 I75 I81 I82 I83 I84 I85 I91 I92 I93 V31 5 4 6 0 1 5 4 6 1 0 11 3 2 V32 5 4 6 0 1 5 4 6 1 0 11 3 2 VR03 5 5 5 5 5 5 5 5 5 5 10 10 5

Por fim, no Experimento 3, os vetores obtidos, V31 e V32 apresentam, em termos de variações em propriedades, também, os mesmos valores de desvio padrão, 8.67. Por outro lado, o vetor referencial VR02 possui desvio padrão de 3.25. Neste Experimento, a disparidade entre desvios padrão foi menor que nos Experimentos 1 e 2. Para o conjunto de propriedades contido no Cenário 3 houve, portanto, uma menor variabilidade nos produtos do representativos do domínio encontrados. Entretanto, como pode-se observar no vetores V31 e V32, as propriedades I74, I75, I84 e I85 não possuem representatividade, devendo ser excluídas.

124

Para o Cenário 3 de propriedades, no Experimento 3, não foi obtida quantidade de produtos representativos do domínio equivalente ao conjunto referencial, obtido com o método OA de Taguchi. Deve-se à maior homogeneidade entre os produtos iniciais para a presença destas propriedades, ocasionando a geração de menor quantidade de agrupamentos de produtos por dissimilaridade.

Em síntese, foram obtidos 18 produtos representativos do domínio no Experimento 1; 21 produtos no Experimento 2; e, 16 produtos no Experimento 3. Essas quantidades de produtos são consideravelmente menores que as necessárias para abranger todas as combinações de propriedades. Essas combinações resultariam em quantidades difíceis de manipular e aplicar nas fases posteriores do Sistema de Engenharia Kansei. Para o caso dos grupos de propriedades 1, 2 e 3, seriam necessários 108, 64 e 75 produtos representativos, respectivamente. Dessa forma, da aplicação do procedimento automático foi observada uma redução significativa na quantidade de produtos representativos do domínio, considerando os vários fatores e níveis de um dado grupo de propriedades. Outro importante aspecto observado é que uma mudança no survey target, pode resultar em distinções entre os rankings de produtos representativos do domínio recomendados. Por exemplo, em um topN incluindo os cinco primeiros produtos de cada ranking, para os três experimentos, somente o produto P39 surge em todos os grupos. Desta forma, é possível inferir que as propriedades podem influenciar positiva ou negativamente na formação dos rankings, podendo atuar como ruído. Esta influencia pode ser, sobremaneira, prejudicial para a análise dos resultados, quando escolhidos survey targets que envolvam grandes quantidades de propriedades. Assim, para minimizar ruídos, delimitar o grupo inicial de propriedades em partes menores, como realizado neste trabalho, pode auxilar na identificação do efeito causado por uma dada propriedade na definição dos rankings. Com relação à frequência com que as propriedades aparecem no grupo inicial de produtos e à interferência que esta frequência ocasiona, foram observado três aspectos dignos de consideração. Propriedades com baixa incidência no conjunto inicial de produtos, eventualmente, poderão ter elevados escores de avaliação indireta, o que possibilitará a inclusão no conjunto de produtos representativos do domínio. Este é o caso da propriedade I7.2, que aparece em 4 de 42 produtos do conjunto inicial e está representado em 2 de 21 produtos representativos do domínio, aparecendo na oitava posição no ranking do Experimento 2, produto P38. Por outro lado, propriedades com elevada incidência no conjunto inicial de produtos poderão, mesmo não possuindo elevada atratividade, estar

125

inclusas no conjunto de produtos representativos do domínio. Este é o caso da propriedade I7.3, que aparece em 20 de 42 produtos do conjunto inicial, e em 7 de 21 produtos representativos do domínio, nas primeiras cinco posições do ranking, no Experimento 2, associada aos produtos P04, P15, P16, P39 e P03. Esse tipo de propriedade, cuja redundância é elevada, pode interferir no resultado final do experimento, porém, em produtos pré- existentes, a dissociação dessas propriedades é difícil. As propriedades que aparecem com baixa frequência no grupo inicial de produtos, podem surgir no conjunto de produtos representativos do domínio, mas em quantidades insuficientes, de acordo com a distribuição no conjunto inicial de produtos. Por exemplo, a propriedade I10.4, disponível inicialmente nos produtos P24, P40 e P41, não apresentou produtos representativos suficientes, já que os produtos aos quais estava associada possuíam elevada similaridade, sendo mutuamente excludentes. Deste modo, o único produto representativo para a propriedade foi o P40, classificado na 14ª posição no ranking do Experimento 3. Esta propriedade deveria, portanto, ser excluída do survey target, pois não possui produtos representativos suficientes para a realização das análises estatísticas multivariadas requeridas nas etapas posteriores de um Sistema de Engenharia Kansei (NAGAMACHI; LOKMAN, 2011). É interessante notar que a variabilidade no total de propriedades obtidas nos conjuntos de produtos representativos do domínio, para o três experimentos, foi bastante elevada, como mostra o desvio padrão. Esta é uma das principais fontes de erro nos experimentos com produtos pré-existentes, pois o balanceamento de propriedades está restrito às amostras disponíveis no mercado, e são diretamente influenciados pela quantidade de níveis e fatores definido no survey target. Simplificações no desdobramento das propriedades podem minimizar a “sensação” de desbalanço, mas devem ser observados aspectos que atuam como ruído, ou características que podem influenciar positiva ou negativamente. Por fim, os conjuntos de produtos representativos do domínio obtidos, especialmente nos Experimentos 2 e 3, para os quais algumas propriedades não possuíam exemplares (e.g., I8.2, I9.4 e I10.5), ou possuíam número insuficiente de exemplares (e.g., I6.3, I8.3, I8.4, I9.1 e I10.4), algumas medidas podem ser tomadas com a intenção de manter o balanceamento necessário. Uma seria o desenvolvimento de protótipos para suprir as ausências ou deficiências de propriedades associadas a produtos com altas posições nos rankings de avaliação indireta. Uma segunda medida, seria a redefinição de faixas, categorias, para as propriedades definidas por valores contínuos. E, uma última medida, seria a efetiva exclusão da propriedade de um grupo inicialmente estabelecido.

126

7. CONCLUSÕES

O trabalho teve por objetivo primordial propor e testar um procedimento automático para apoiar a definição do campo das propriedades utilizando inputs indiretos de consumidores. O desenvolvimento da pesquisa resultou em contribuições nas áreas de Engenharia Kansei e Gestão do Processo de Desenvolvimento de Produtos. As principais contribuições ao estado da arte e prática nessas áreas são as seguintes: (1) permitir a captação de inputs indiretos de consumidores, ordinary users, em loja virtual, i.e., o envolvimento dos consumidores/usuários no processo de definição do campo das propriedades e, consequentemente, no Processo de Desenvolvimento de Produtos; (2) favorecer a frequência e continuidade do envolvimento do consumidor/usuário, para o acompanhamento das tendências de mercado pela equipe de projetos e atualização continuada dos Sistemas de Engenharia Kansei; (3) permitir o tratamento, triagem e redução sistemática, de grande volume de dados, possibilitando a aplicação em grandes contextos, i.e., elevado número de dados oriundos de consumidores/usuários e elevado número de produtos e propriedades reais, como ocorre em produtos de média a alta complexidade, bens de consumo semiduráveis e duráveis, a exemplo dos produtos eletrônicos; e, (4) auxiliar a equipe de projetos nas fases iniciais do projeto, fornecendo informações para uso imediato, i.e., uma lista de produtos e propriedades representativas do domínio Kansei para a consecução das atividades previstas em um Sistema de Engenharia Kansei. Como contribuições secundárias, tem-se dois principais grupos, cada um relacionado à uma das áreas abordadas. Para a área de Gestão do Processo de Desenvolvimento de Produtos, foi delineado o conceito de ‘Envolvimento Virtual do Consumidor’, com a identificação das ferramentas para a viabilização do Envolvimento Virtual do Consumidor no PDP e delineamento de taxonomia para avaliação dessas ferramentas. Para a área de Engenharia Kansei foram identificados métodos e ferramentas utilizados na etapa de definição do campo das propriedades em aplicações de Sistemas de Engenharia Kansei. Para tornar a proposta exequível, foram combinados e adaptados métodos e ferramentas identificados em aplicações de Sistemas de Engenharia Kansei e Sistemas de Recomendação Híbridos. Os métodos utilizados em aplicações de Sistemas de Engenharia Kansei foram identificados em revisão bibliográfica estruturada e selecionados conforme o nível de sistematização dos métodos. Foi aplicado, para o tratamento prévio dos dados o método de decomposição dos Elementos de Interface Humana (HIE). Com a utilização deste método, foi possível definir o conjunto inicial de propriedades associadas aos produtos

127

relacionados ao domínio Kansei escolhido, utilizando um template previamente publicado e validado em Lin et al. (2012), para produtos eletrônicos. Para a identificação de um ranking de preferências de produtos e propriedades por um conjunto de consumidores/usuários foi empregado, com adaptações, o procedimento aplicado em Cho e Kim (2004) e Albadvi e Shahbazi (2009). Este procedimento, obtido na literatura de Sistema de Recomendação, foi escolhido por tratar produtos no nível das propriedades, um dos requisitos de aplicação em Sistemas de Engenharia Kansei, e considerar a captação de avaliações indiretas de consumidores, aqui denominados inputs indiretos, indicativos de preferências e interesses de consumidores/usuários, propiciando o envolvimento de ordinary users. Permitiu a classificação dos produtos do conjunto inicial, em termos de suas propriedades, considerando a importância para um grupo de consumidores/usuários. Faz uso do método MSP-MSU (Recomendação dos produtos mais similares aos usuários mais similares). Para a redução do conjunto de produtos e propriedades, foi escolhido e adaptado procedimento aplicado em Lai, Lin e Yeh (2005), Lai et al. (2006) e Lin, Lai e Yeh (2007). Foi escolhido por apresentar nível elevado de estruturação/sistematização em comparação aos demais procedimentos aplicados em Sistemas de Engenharia Kansei, no que concerne às etapas de definição do campo das propriedades; e, validação em aplicações de Sistemas de Engenharia Kansei, um bom indicativo de viabilidade. Esse procedimento foi integrado à adaptação do procedimento de Cho e Kim (2004) e Albadvi e Shahbazi (2009), para a identificação dos produtos mais dissimilares, permitindo o cruzamento de informações e a composição de um conjunto mínimo de produtos representativos do domínio para facilitar a manipulação e aplicação em um Sistema de Engenharia Kansei. A captação de inputs indiretos de consumidores, realizada, neste trabalho, utilizando o método Web Usage Mining, sugerido inicialmente em Cho e Kim (2004) para minimizar a esparsidade de dados, executado pela plataforma Google Analytics, é um primeiro passo para o envolvimento de consumidores/usuários nas aplicações de Sistemas de Engenharia Kansei e, consequentemente, nas etapas iniciais do Processo de Desenvolvimento de Produtos. Nas aplicações de Sistemas de Engenharia Kansei, com frequência, há uma supressão desse envolvimento, em oposição ao recomendado na literatura seminal. Essa supressão ocorre, especialmente, nas etapas iniciais. É justificada, pois é necessário selecionar um número elevado de produtos e propriedades para utilização nas etapas posteriores do Sistema de Engenharia Kansei. Ademais, a obtenção de inputs de uma considerável quantidade de consumidores tornaria o processo de envolvimento do consumidor no processo de definição do campo das propriedades demorado, caro e difícil de aplicar continuamente, em diferentes

128

períodos. Por outro lado, o envolvimento de consumidores/usuário com baixo grau de expertise, é um desafio. O consumidor com baixo nível de expertise, embora não seja o único a ser envolvido no processo, possui limitações para o trabalho elaborativo, como sugerir ideias ou novas soluções para problemas relacionados ao projeto do produto de um produto específico. Diante disso, acredita-se que um consumidor com baixo nível de expertise teria dificuldade, ou pouco interesse, no fornecimento de informações diretas a respeito de produto específico, não apresentar o repertório formal ou informal de áreas como Design ou Engenharia, dificultando a comunicação das ideias e favorecendo uma ambigüidade negativa para o projeto. Assim, a realização de tarefas com elevado grau de especificidade, que favoreçam a obtenção de inputs objetivos e tratáveis com um mínimo de ruído ou ambigüidade, podem apoiar esse envolvimento. Na demonstração da exeqüibilidade na obtenção de inputs indiretos de consumidores, os dados de saída são o número de acessos feitos pelos consumidores às páginas dos produtos, carrinho de compras e efetivação de compra (i.e., checkout). Essa forma de captação dos dados parece promissora, pois os consumidores têm liberdade para acessar as diversas páginas de uma loja virtual e, normalmente, são impelidos a entrar nas páginas de produtos que mais interessam ou relacionadas às suas preferências de consumo, o que remete ao comportamento natural do consumidor. Desta forma, o viés ocasionado pelo contexto da captação das informações é minimizado. Este viés costuma aumentar em situações cujo consumidor é requisitado, diretamente, a decidir considerando opções previamente definidas, conforme ocorre na aplicação de questionários para identificação de interesses de compra, realizados em pesquisas de mercado convencionais. Na simulação realizada, os usuários/consumidores visitam as páginas dos produtos, enviam produtos para o carrinho de compras depois de uma seleção na loja virtual e, finalmente, compram somente aqueles produtos que, comparativamente, parecerem mais atrativos, sem a necessidade de coação durante o processo de envolvimento. O aumento da frequência e continuidade do envolvimento do consumidor é favorecido pela obtenção de inputs em termos de avaliações indiretas. Essa continuidade significa que a equipe de projetos poderá obter dados de acesso segmentados em faixas de tempo de interesse, para um dado tipo de produto, sem a necessidade de estipular um tempo de abertura e/ou finalização para a aplicação da ferramenta, favorecendo a atualização contínua dos dados captados, para aplicação em Sistemas de Engenharia Kansei. A obtenção de inputs indiretos, também, elimina a necessidade de aplicação de mecanismos de

129

recompensa financeiros. No caso da simulação, um usuário/consumidor, identificado pelo IP, ou através de sua conta na loja virtual (indicado no checkout), pode fornecer dados sobre seu perfil de consumo, cadastrados no histórico de compras, o que permite sua localização em um cluster específico, formado no processo de clusterização não-hierárquica pelo procedimento automático. Em lojas virtuais, com frequência, o acesso é realizado por uma elevada quantidade de usuários/consumidores, assim, é necessário o tratamento de grande volume de dados, uma contribuição importante deste trabalho, i.e., pode ser aplicado a grandes contextos. Esta é uma contribuição positiva que permeia as áreas de estudo em PDP e Engenharia Kansei. Nestas áreas, são utilizados grandes volumes de dados de entrada que devem ser sintetizados para uso pela equipe de projeto. Por exemplo, informações sobre preferências de uma multidão de consumidores distribuídos geograficamente, em um recorte temporal definido, sobre um tipo de produto, podem ser obtidas, permitindo um acompanhamento das alterações na moda e tendências, do ponto de vista do consumidor. No procedimento automático proposto, a solução para o tratamento de grande volume de dados é obtida das soluções, com adaptações, para Sistemas de Recomendação Híbridos e Sistemas de Engenharia Kansei. A adaptação inclui a utilização de métodos estatísticos para a identificação de clusters. Esses clusters são formados em dois momentos. No primeiro momento, são formados clusters, utilizando métodos hierárquico, Ward, e não- hierárquico, k-médias, de consumidores-usuários considerando preferências e interesses de consumo. Como resultado, a equipe de projetos obtém um ranking dos produtos do conjunto inicial para o grau de preferência e interesse de um dado agrupamento de consumidores/usuários. No segundo momento, são formados clusters dos produtos do conjunto inicial, considerando a similaridade entre eles, utilizando os métodos de MDS e Ward. Dessa forma, é possível identificar o conjunto de produtos mais dissimilares no conjunto inicial de produtos, propiciando o atendimento aos requisitos estatísticos em termos de balanceamento das propriedades enquanto é realizada uma redução do número de exemplares de produtos representativos do domínio. Essa definição de métodos estruturados, quantitativos, permitiu a sistematização e automatização do processo de definição do campo das propriedades, para o caso de produtos pré-existentes no mercado, cujas aplicações têm demonstrado que ocorre, com frequência, de maneira ad hoc, realizada pela equipe de projetos, com a utilização de métodos pouco estruturados, tornando o processo mais lento e de difícil replicação nas aplicações de Sistemas de Engenharia Kansei. A sistematização e automatização permitem a aplicação a grandes

130

contextos, i.e., elevados volumes de dados e a minimização de variações nos resultados do experimento. Demonstrado na simulação do procedimento proposto, para o produto telefone celular, um produto de complexidade intermediária. Produtos eletrônicos, especialmente telefones celulares, são utilizados em diversas aplicações de Sistemas de Engenharia Kansei. Neste tipo de produto, em alguns casos, não é necessária a delimitação de um survey target para o isolamento de uma parte específica do produto. O nível de complexidade é suficientemente alto para a generalização dos estudos a contextos maiores, o que inclui produtos mais complexos, também. Essa escolha também é justificada pela intenção de minimizar erros procedimentais, já que há diversos estudos que oferecem embasamento e suporte à realização dos experimentos com produtos eletrônicos do tipo bens de consumo semiduráveis e duráveis. Ademais, com frequência, são produtos populares e comercializados por diversos canais de vendas, incluindo lojas virtuais. Algumas dessas lojas virtuais permitem a seleção de configurações de produtos conforme características (i.e. propriedades) cadastradas nas bases de dados, como é o caso da Dell (DELL, 2014), o que apóia a definição de itens/categorias e a criação do perfil dos produtos conforme mostrada na simulação. Por fim, é importante referir que a opção por tratar com produtos pré-existentes no mercado, neste trabalho, também teve por objetivo facilitar a coleta de informações de consumidores/usuários, pois estes produtos já estão disponíveis no mercado, evitando a atividades de prototipagem, e são amplamente acessados por consumidores de todos os níveis de conhecimento, permitindo o envolvimento e a obtenção de feedback mais rápido e contínuo a partir das lojas virtuais, reduzindo também o custo desse processo. Relativamente às contribuições secundárias à área de Gestão do Processo de Desenvolvimento de Produtos, para o delineamento do conceito de Envolvimento Virtual do Consumidor no Processo de Desenvolvimento do Produto, foram identificados os construtos caracterizadores do fenômeno ‘Envolvimento Virtual do Consumidor’, utilizando definições disponíveis em diferentes áreas, identificadas em revisão bibliográfica. Isto permitiu uma compreensão do fenômeno e delimitação da pesquisa. Posteriormente, foi possível a identificação de ferramentas para a viabilização do envolvimento virtual do consumidor no PDP. Identificar essas ferramentas permitiu a compreensão dos avanços, pontos fortes, fracos e potencialidades em termos de ferramentas para a viabilização do envolvimento virtual do consumidor. Por fim, foi desenvolvida taxonomia para avaliar ferramentas para a viabilização do envolvimento do consumidor no PDP. Essa taxonomia permitiu a avaliação/classificação das ferramentas identificadas anteriormente, facilitando a descoberta das lacunas sobre o tema.

131

Relativamente às contribuições secundárias à área de Engenharia Kansei, foram identificados os métodos e ferramentas utilizados para a definição do campo das propriedades, das aplicações de Sistemas de Engenharia Kansei. Essa identificação permitiu ampliação do arcabouço teórico relacionado às etapas do processo de definição do campo das propriedades, com a indicação das principais fontes de erro relacionadas ao processo, e a formação inicial de um corpo de conhecimento para apoiar na estruturação de novas aplicações em Sistemas de Engenharia Kansei. Da aplicação do procedimento, foram identificadas duas principais limitações relacionadas à captação das informações de entrada. A primeira limitação foi a necessidade de realização de etapas preliminares para a obtenção dos dados de entrada. Uma das etapas preliminares foi a definição/seleção das propriedades iniciais do conjunto de produtos, etapa realizada previamente ao cadastro dos produtos na loja virtual. Na simulação desenvolvida, esta ‘identificação das propriedades (itens/categorias) do produto’ foi realizada de forma sistemática, com base nas recomendações feitas na literatura seminal em Engenharia Kansei, e apoiada pelo método de decomposição de HIE. No entanto, foi desenvolvida manualmente, o que demandou tempo e atividades de analíticas dispendiosas, embora realizada em um único momento. Essa limitação indica a necessidade de métodos ou ferramentas mais robustos para a identificação de propriedades e categorização de produtos, utilizando como base especificações técnicas cadastradas pelos fabricantes de produtos, que poderiam minimizar sobremaneira o tempo para a realização dessa etapa, assim como facilitar a identificação de propriedades para produtos de diferentes tipos de produtos manufaturados. Depois de realizada esta identificação das propriedades iniciais, os produtos foram cadastrados na plataforma da loja virtual e relacionados, associados, às propriedades que os caracterizavam. No protótipo de loja virtual, elaborado na plataforma Loja Integrada (2006), essas propriedades foram cadastradas usando um recurso chamado grade do produto. A grade do produto permitiu a categorização dos produtos na loja. Entretanto, foi uma adaptação para mostrar a viabilidade da categorização de produtos considerando suas propriedades em uma loja virtual. É importante referir que diferente das propriedades, as grades são necessárias, na plataforma, para permitir a escolha de produtos, conforme especificações do consumidor/usuário (e.g., os tamanhos de camisetas em P, M e G, são cadastrados como uma grade de três variações). As propriedades, por outro lado, são mais importantes do ponto de vista da equipe de projetos, sendo especificações muito detalhadas do produto e com um viés, inclusive, técnico de engenharia ou design. Na etapa preliminar de ‘integração do site a uma plataforma para mineração de dados

132

utilizando WUM’, foi obervada uma limitação para a inserção do ID e código de acompanhamento. Para a inserção do ID e código fornecido pelo Google Analytics foi necessário ter acesso ao código HTML do site no qual se pretendia estabelecer a loja virtual, pois o código de acompanhamento deveria ser inserido em todas as páginas referentes aos produtos cadastrados na loja. Esse aspecto pode se tornar uma limitação na escolha de plataformas para o desenvolvimento da loja virtual, especialmente para o caso de plataformas que dispõem de módulos intuitivos para a estruturação das lojas virtuais – utilizadas por pessoas com baixo nível de conhecimento em programação para desenvolvimento web. Uma parte destas plataformas restringe a visualização do código HTML, não permitindo ao usuário alterá-lo sobremaneira durante o desenvolvimento de uma loja virtual. Em alguns casos, como ocorre na plataforma Loja2 (2016), este acesso ao código HTML não é viável. Assim, não é possível a inserção do código de acompanhamento para obtenção dos acessos a algumas páginas específicas da loja virtual. Nessa etapa, ainda, uma segunda limitação foi observada no processo de definição de Metas do tipo Funil de Vendas, na plataforma do Google Analytics. Primeiramente, foi requisitada pela plataforma a definição de uma Meta de Funil de Vendas para cada produto. Isto ocorre para cada produto cadastrado nas páginas e deve seguir uma seqüência de passos indicativa do caminho a ser percorrido pelo consumidor/usuário desde o acesso à página do produto até a finalização da compra. Como esses dados de acesso devem ser coletados, individualmente, para os produtos cadastrados na loja virtual, definir funis de venda para todos os produtos pode ser um processo demorado utilizando o Google Analytics, por exemplo. Ademais, a plataforma Google Analytics limita a quantidade de funis de venda a serem definidos, dificultando a inclusão de número elevado de produtos. No procedimento automático proposto, uma das limitações mais importantes é a atribuição de pesos às ações realizadas pelos consumidores/usuários, oriundas dos acessos às páginas da loja virtual, i.e., acesso à página do produto (ação 1), acesso à página carrinho de compras para dado produto (ação 2) e, acesso a página de finalização de compra, checkout (ação 3). Não há uma definição clara na literatura científica de quais seriam os pesos mais adequados às ações. Cho e Kim (2004) referem que ações de compra (ação 3) devem ter peso maior que ações de envio para o carrinho de compras (ação 2) enquanto estas, peso maior que ações de visualização da página do produto (ação 1). Essa hierarquia importa por duas razões. A primeira é que a visualização de páginas é uma ação que pode ocorrer com muito mais frequência, pois o usuário/consumidor utiliza estas páginas para analisar o produto e verificar suas características, inclusive comparativamente, natural em um processo de decisão. A

133

compra é realizada somente depois que o consumidor está decidido. A segunda razão é que a visualização de uma página de produto não implica, necessariamente, em uma preferência ou interesse de compra de um dado usuário/consumidor, enquanto a compra, provavelmente indica esta preferência. Diante dessas considerações, um dos problemas emergentes é como estabelecer pesos adequados para essas ações, de modo a obter uma avaliação indireta ponderada equilibrada e com o mínimo de ruído. Na simulação do procedimento automático foram estabelecidos arbitrariamente os pesos W1=0.2, W2=0.3 e W3=0.4, seguindo a recomendação hierárquica de Cho e Kim (2004), na ausência de uma referência mais objetiva. Essa é uma limitação e gera algumas questões, tais como: (1) quais valores de pesos seriam mais adequados para as ações dos consumidores/usuários?; e, (2) que tipos de impactos uma alteração nos pesos poderia proporcionar nos rankings de produtos dentro dos clusters de consumidores? Assim como os pesos atribuídos às ações, também foram atribuídos valores hipotéticos para as quantidades de acessos de consumidores. Esses valores de acessos foram definidos no Microsoft Excel, utilizando a função ALEATÓRIO, para a simulação do procedimento automático. Como essa função foi aplicada obedecendo a uma distribuição normal, ocorreram poucas diferenças entre os clusters de consumidores. Ou seja, os rankings de produtos praticamente não foram alterados para os clusters de consumidores/usuários formados, e isso foi uma implicação da forma de geração dos dados hipotéticos. A utilização de dados reais, por outro lado, pode vir a ocasionar alguns problemas. Um desses problemas é que dados reais podem ser muito esparsos, pois a frequência e continuidade de envolvimento entre consumidores apresenta variações em lojas virtuais. Isto é, um consumidor que visita uma dada loja virtual ou realiza uma compra, num período específico, não necessariamente retornará a realizar outras ações na loja virtual, podendo se tornar um consumidor/usuário pontual, dependendo do nível de interesse que tiver na loja virtual e em seus produtos. Ademais, um dado consumidor poderá acessar as diversas páginas da loja virtual estimulado por aspectos extrínsecos às propriedades de um dado produto, tais como preços e promoções estipulados pela loja virtual. Este tipo de problema pode ser minimizado analisando outros dados fornecidos por ferramentas de mineração de dados, que permitam indicar a frequência com que usuários/consumidores retornam à loja virtual (e.g., uso de login de acesso), ou analisar aspectos específicos e temporais, tais como a influência de promoções na variação dos dados obtidos de inputs indiretos de usuários/consumidores. Por fim, uma última e importante limitação do procedimento automático é a forma de apresentação dos resultados, uma lista em ranking indicando o código do produto e a

134

pontuação em termos de preferência e interesse dos consumidores para cada cluster. Essa lista pode dificultar a integração e comunicação dentro da equipe de projetos, pois é necessária a decodificação do produto em termos de suas propriedades. Embora esta seja uma atividade simples e de fácil execução, ainda é uma limitação. Pode ser adicionada a esta limitação à ausência de uma interface amigável para o uso do procedimento automático, requisitando profissional com conhecimento mínimo sobre linguagem de programação e capaz de interpretar esses resultados de acordo com as limitações do próprio procedimento. Apesar das limitações supracitadas, o procedimento automático permitiu a redução significativas de exemplares de produtos, mantendo a dissimilaridade e índices de preferências de consumidores, tornando-se um grande aliado no processo de definição do campo das propriedades para aplicações em Sistemas de Engenharia Kansei e, também, no direcionamento do projeto considerando requisitos relevantes para o consumidor. Diante dos resultados e limitações observados na proposta e teste do procedimento automático, são propostos trabalhos futuros. Relativamente às etapas preliminares, realizadas manualmente, podem ser desenvolvidos estudos para aplicação de métodos e ferramentas, a exemplo dos métodos e ferramentas de mineração de dados textuais, para auxiliar no processo de definição das propriedades totais do conjunto inicial de produtos. Essas etapas, ainda, são um empecilho para a automatização completa do processo de definição do campo das propriedades. Nesse sentido, estudos também podem ser desenvolvidos com a intenção de propor métodos para apoiar a definição de survey targets mais precisos e o desdobramento das propriedades de outros tipos de produtos manufaturados, tais como: roupas, perfumes, alimentos, livros, acessórios de moda, eletrodomésticos, etc.. Produtos esses para os quais não há templates disponíveis na literatura científica, ou mesmo que carecem de informações disponíveis em sites especializados. No que concerne ao procedimento automático proposto, algumas alterações estruturais podem ser realizadas. Essas mudanças podem auxiliar na melhoria do procedimento, proporcionando resultados comparativos. São sugestões de alterações: (1) combinação ou substituição de métodos de agrupamento aplicados (e.g., aplicação do método k-medóides em susbtituição ao k-médias); (2) combinação ou substituição de coeficientes de similaridade; e, (3) inclusão do método de Escalonamento Multidimensional (MDS) para a realização dos clusters de consumidores, ou exclusão do método MDS utilizado para o agrupamento de produtos por dissimilaridade. No que concerne às simulações/experimentos, algumas alterações nos parâmetros de teste podem prover resultados elucidativos. São sugestões de experimentos: (1) utilização de pesos distintos para as ações dos consumidores, a

135

exemplo dos valores de referência aplicados no método Desdobramento da Função Qualidade (QFD), para analisar o impacto nos rankings de produtos; e, (2) utilização de valores reais de acessos de consumidores, para analisar a esparsidade dos dados e a obtenção de resultados viáveis para uso em Sistemas de Engenharia Kansei, i.e., a representatividade dos dados obtidos de grupos de consumidores/usuários quando da aplicação do método Web Usage Mining (WUM). Com relação aos resultados, outputs, do procedimento automático, é sugerido como trabalho futuro a elaboração de uma sistemática para o tratamento dos dados de saída, que permita um balanceamento das propriedades considerando a combinação de produtos reais e protótipos. Dessa forma, podem ser criadas condições favoráveis estatisticamente para que propriedades com baixo grau de redundância, mas elevado grau de preferência pelos consumidores, podem ser avaliadas nas fases posteriores do Sistema de Engenharia Kansei. Por outro lado, podem ser empreendidos trabalhos que tornem os resultados, ou mesmo o uso integral do procedimento, mais amigáveis para os envolvidos na equipe de projetos. Esses trabalhos podem possibilitar outros tipos de aplicações para os resultados, tais como o uso diretamente nos projetos de desenvolvimento de produtos, ou como entrada para outros métodos, a exemplo do método Involvision (BENASSI, 2013), utilizado para apoiar o envolvimento do consumidor no processo de definição da visão do produto. Com relação às contribuições secundárias às áreas de PDP e Engenharia Kansei, podem ser desenvolvidos trabalhos utilizando a taxonomia para auxiliar no fomento ao desenvolvimento de novas ferramentas para o envolvimento virtual do consumidor no PDP, permitindo a indicação de aspectos não realizados pelas ferramentas disponíveis. Uma segunda possível aplicação seria, em conjunto a métodos como Repertory Grid ou Índice de Concordância (JAMES; DEMAREE; WOLF, 1984), na avaliação/caracterização de novas ferramentas, classificando-as de modo a facilitar aplicações futuras. Por outro lado, os métodos e ferramentas identificados na revisão estruturada em aplicações de Sistemas de Engenharia Kansei podem ser utilizados para a composição e teste de novos procedimentos para a definição do campo das propriedades. Finalmente, trabalhos podem ser desenvolvidos no sentido de integrar o procedimento automático proposto a uma loja virtual real. Nesse sentido, as propriedades podem ser cadastradas como filtros de busca e conectadas, utilizando marcadores (i.e., tags), aos produtos. Assim, seria possível obter avaliações indiretas no nível do produto, como dados de saída da loja virtual, e cortes por dissimilaridade, para a geração de relatórios mais eficientes que otimizem as aplicações de Sistemas de Engenharia Kansei.

136

REFERÊNCIAS BIBLIOGRÁFICAS

AKAO, Y. Quality Function Deployment: integrating customer requirements into product design. New York: Productivity Press, 2004.

ALBADVI, A.; SHAHBAZI, M. A hybrid recommendation technique based on product category attributes. Expert Systems with Applications, v. 36, p. 11480-11488, 2009.

ALBORS, J.; RAMOS, J. C.; HERVAS, J. L. New learning network paradigms: communities of objectives, crowdsourcing, wikis and oper source. International Journal of Information Management, v. 28, p. 194-202, 2008.

ANGEHRN, A. A.; LUCCINI, M.; MAXWELL, K. Innotube: a video-based connection tool supporting collaborative innovation. Interactive Learning Environment Journal, v. 17, n. 3, 2009.

BAHN, S.; LEE, C.; NAM, C. S.; YUN, M. H. Incorporating affective customer needs for luxuriousness into product design attributes. Human Factors and Ergonomics in Manufacturing, v. 19, n. 2, p. 105-127, 2009.

BARNES, C.; LILLFORD, S. P. Decisions support for the design of affective products. Journal of Engineering Design, v. 20, n. 5, p. 477-492, 2009.

BARNES, C. J.; CHILDS, T. H. C.; HENSON, B.; SOUTHEE, C. H. Surface finish and touch: a case study in a new human factors tribology. Wear, v. 257, p. 740-750, 2004.

BARONE, S.; LOMBARDO, A.; TARANTINO, P. A weighted logistic regression for conjoint analysis and Kansei Engineering. Quality and Reliability Engineering International, v. 23, p. 689-706, 2007.

BENASSI, J. L. G. Proposta de método para criação da visão do produto no gerenciamento ágil de projetos de desenvolvimento de produtos. São Carlos: EESC/USP, 2013. 218 p. Tese (Doutorado em Engenharia de Produção) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2013.

BONNER, J. V. H.; PORTER, J. M. Envisioning future needs: from pragmatics to pleasure. In: GREEN, W. S.; JORDAN, P. W. (eds.). Pleasure with products: beyond usability. London: Taylor and Francis, 2002.

BOTHOS, E.; APOSTOLOU, D.; MENTZAS, G. Collective intelligence for idea management with Internet-based information aggregation markets. Internet Research, v. 19,

137

n. 1, p. 26-41, 2009.

BOTHOS, E.; APOSTOLOU, D.; MENTZAS, G. Collective intelligence with web-based information aggregation markets: the role of market facilitaation in idea management. Expert System with Applications, v. 39, p. 1333-1345, 2012.

BOYD, D. M.; ELLISON, N. B. Social network sites: definition, history, and scholarship. Journal of Computer-Mediated Communication, v. 13, p. 210-230, 2008.

BRABHAM, D. C. Crowdsourcing as a model for problem solving: an introduction and cases. Convergence: The International Journal of Research into New Media Technologies, v. 14, n. 1, p. 75-90, 2008.

BULLINGER, A. C.; MOESLEIN, K. Innovation contests: where are we? In: Americas Conference on Information Systems, 16., Lima, 2010, Proceedings… Lima: AMCIS, 2010.

CAMARINHA-MATOS, L. M.; AFSARMANESH, H. On reference models for collaborative networked organizations. International Journal of Production Research, v. 46, n. 9, p. 2453-2469, 2008.

CHEN, C.;CHUANG, M. Integrating the Kano modelinto a robust design approach to enhance customer satisfaction with product design. International Journal of Production Economics, v. 114, p. 667-681, 2008.

CHANG, H.; LAI, H.; CHANG, Y. Expression modes used by consumers in conveying desire for product form: a case study of a car. International Journal of Industrial Ergonomics, v. 36, p. 3-10, 2006.

CHANG, C. Factors influencing visual comfort appreciations of the product form of digital cameras. International Journal of Industrial Ergonomics, v. 38, p. 1007-1016, 2008.

CHO, Y. H.; KIM, J. K. Application of web usage mining and product taxonomy to collaborative recommendations in e-commerce. Expert System with Applications, v. 26, p. 233-246, 2004.

CHOI, K.; JUN, C. A systematic approach to the Kansei factors of tactile sense regarding the surfasse roughness.Applied Ergonomics, v. 38, p. 53-63, 2007.

CHOI, S. H.; KANG, S. M.; JEON, Y. J. Personalized recommendation system based on product specification values. Expert Systems with Applications, v. 31, p. 607-616, 2006.

CONFORTO, E. C. Modelo e ferramenta para avaliação da agilidade no gerenciamento

138

de projetos. 2013. 337f. Tese (Doutorado) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2013. CONFORTO, E. C.; AMARAL, D. C.; SILVA, S. L. Roteiro para revisão bibliográfica sistemática: aplicação no desenvolvimento de produtos e gerenciamento de projetos. In: Congresso Brasileiro de Gestão de Desenvolvimento de Produto, 8., Porto Alegre, 2011, Anais… Porto Alegre: CBGDP, 2011.

DAHAN, E.; HAUSER, J. R. The virtual customer. The Journal of Product Innovation Management, v. 19, p. 332-353, 2002.

DAHAN, E.; SRINIVASAN, V.The predictive power of internet-based product concept testing using visual depiction and animation. The Journal of Product Innovation Management, v. 17, p. 99-109, 2000.

DAHAN, E.; SOUKHOROUVA, A.; SPANN, M. New product development 2.0: preference markets – how scalable securities markets identify winning product concepts and attributes. The Journal of Product Innovation Management, v. 27, p. 937-954, 2010.

DAHAN, E.; KIM, A.; LO, A. W.; POGGIO, T.; CHANG, N. T. Securities Trading of Concepts (STOC). Journal of Marketing Research, v. 48, n. 8, 2011.

DAHLGAARD, J. J.; SCHÜTTE, S.; AYAS, E.; DAHLGAARD-PARK, S. M. Kansei/affective engineering design: a methodology for profound affection and attractive quality creation. The TQM Journal, v. 20, n. 4, p. 299-311, 2008.

DAY, W. H. E.; EDELSBRUNNER, H. Efficient algorithms for agglomerative hierarchical clustering methods. Journal of Classification, v. 1, p. 7-24, 1984.

DEMIRTAS, E. A.; ANAGUN, A. E.; KOKSAL, G. Determination of optimal product styles by ordinal logistic regression versus conjoint analysis for kitchen faucets.International Journal of Industrial Ergonomics, v. 39, p. 866-875, 2009.

DELIN, J.; SHAROFF, S. LILLFORD, S.; BARNES, C. Linguistic support for concept selection decisions. AI EDAM, v. 21, n. 2, p. 123-135, 2007.

DELL. Dell Loja Oficial. Disponível em: , acesso em: 20/03/2014.

ERDOGMUS, S.; KOÇ, E. Using Kansei Engineering to improve the physical environment of the classroom.The New Education Review, v. 23, n. 1, p. 245-253, 2011.

ERNST, H. Virtual customer integration: maximizing the impact of customer integration on

139

new product performance. In: ALBERS, S. (org.) Crossfunctional innovation management: perspectives from different disciplines. Wiesbaden: Gables Verlag, 2004.

ESTELLÉS-AROLAS, E.; GONZÁLEZ-LADRÓN-DE-GUEVARA, F. Towards na integrated crowdsourcing definition. Journal of Information Science, v. 38, n. 2, p. 189-200, 2012.

FERREIRA JUNIOR, L. D.; AMARAL, D. C. Identificação de construtos caracterizadores do envolvimento virtual do consumidor no desenvolvimento de produtos. In: Congresso Brasileiro de Gestão de Desenvolvimento de Produto, 9., Natal, 2013, Anais...Natal: CBGDP, 2013.

FRANKE, N.; KEINZ, P.; SCHREIER, M. Complementing mass customization toolkits with user communities: how peer input improves customer self-design. The Journal of Product Innovation Management, v. 25, p. 546-559, 2008.

FRANKE, N.; PILLER, F. Value creation by toolkits for user innovation and design: the case of the watch market. The Journal of Product Innovation Management, v. 21, n. 6, p. 401- 415, 2004.

FÜLLER, J. Why consumers engage in virtual new product developments initiated by producers. Advances in Consumer Research, v. 33, p. 639-646, 2006.

FÜLLER, J.; BARTL, M.; ERNST, H.; MÜHLBACHER, H. Community based innovation: how to integrate members of virtual communities into new product development. Eletronic Commerce Research Journal, v. 6, n. 1, p. 57-73, 2006.

FÜLLER, J.; FAULLANT, R.; MATZLER, K. Triggers for virtual customer integration in the development of medical equipment – from a manufacturer and a user’s perspective. Industrial Marketing Management, v. 39, p. 1376-1383, 2010.

FÜLLER, J.; MATZLER, K. Virtual product experience and customer participation – a chance for customer-centred, really new products. Technovation, v. 27, p. 378-387, 2007.

GALES, L.; MANSOUR-COLE, D. User involvement in innovation projects: toward an information processing model. Journal of Engineering and Technology Management, v. 12, p. 77-109, 1995.

GALIANA, M.; LLINARES, C.; PAGE, A. Subjective evaluation of music hall acoustics: response of expert and non-expert users. Bulding and Environment, v. 58, p. 1-13, 2012.

140

GOLOGLU, C.; MIZRAK, C.An integrated fuzzy logic approach to customer-oriented product design. Journal of Engineering Design, v. 22, n. 2, p. 113-127, 2011.

GOOGLE ANALYTICS. Google Analytics. Disponível em: < https://analytics.google.com/>, acesso em: 20/03/2016.

GRACE, L. K. J.; MAHESWARI, V.; NAGAMALAI, D. Analysis of web logs and web user in web mining. International Journal of Network Security & Its Applications (IJNSA), v. 3, n. 1, 2011.

HAIR, J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E. Multivariate data analysis. New Jersey: Pearson Prentice Hall, 2010.

HAN, S. H.; KIM, K. J.; YUN, M. H.; HONG, S. W.; KIM, J.Identifying mobile phone design features critical to user satisfaction. Human Factors and Ergonomics in Manufacturing, v. 14, n. 1, p. 15-29, 2004.

HARTONO, M.; CHUAN, T. K. How the Kano model contributes to Kansei engineering in services. Ergonomics, v. 54, n. 11, p. 987-1004, 2011.

HENSON, B.; BARNES, C.; LIVESEY, R.; CHILDS, T.; EWART, K. Affective consumer requirements: a case study of moisturizer packaging. Concurrent Engineering, v. 14, n. 3, p. 187-196, 2006.

HEMETSBERGER, A.; GODULA, G. Virtual customer integration in new product development in industrial markets: the QLL framework. Journal of Business-to-Business Marketing, v. 14, n. 2, p. 1-40, 2007.

HIGHSMITH, J. Agile Project Management: creating innovative products. Boston: Addisson - Wesley, 2009.

HODA, R.; NOBLE, J.; MARSHALL, S. The impact of inadequate customer collaboration on self-organizing agile teams. Information and Software Technology, 2010.

HOWARD, T. Design to thive: creating social networks and online communities that last. Burlington: Morgan Kaufmann Publishers, 2010.

HSU, S. H.; CHUANG, M. C.; CHANG, C. C. A semantic differential study of designers’and users’ product form perception. International Journal of Industrial Ergonomics, v. 25, p. 375-391, 2000.

HSU, H. Y.; TSOU, H. Understanding customer experiences in online blog environments.

141

International Journal of Information Management, v. 31, p. 510-523, 2011.

HUANG, Y.; CHEN, C.; KHOO, L. P. Kansei clustering for emotional design using a combined design structure matrix.International Journal of Industrial Ergonomics, v. 42, p. 416-427, 2012a.

HUANG, Y.; CHEN, C.; KHOO, L. P. Products classification in emotional design using a basic-emotion based semantic differential method. International Journal of Industrial Ergonomics, v. 42, p. 569-580, 2012b.

HUANG, X.; SOBUE, S.; CHEN, Y. Retrieval of clothing fabric images based on KANSEI words. Information, v. 6, n. 2, p. 215-230, 2003.

HUANG, M.; TSAI, H.; HUANG, T. Applying Kansei engineering to industrial machinery trade show booth design. International Journal of Industrial Ergonomics, v. 41, p. 72-78, 2011.

HUANG, X.; SOBUE, S.; KANDA, T.; CHEN, Y. Mapping functions between image color features and KANSEI. Information, v. 6, n. 2, p. 215-230, 2003.

HUYNH, V.; YAN, H.; NAKAMORI, Y. A target-based decision-making approach to consumer-oriented evaluation model for Japanese traditional crafts. IEEE Transactions on Engineering Management, v. 57, n. 4, p. 575-588, 2010.

JAMES, L. R.; DEMAREE, R. G.; WOLF, G. Estimating whitin-group interrater reliability with and without response bias. Journal of Applied Psychology, v. 9, n. 1, p. 85-89, 1984.

JIAO, J.; ZHANG, Y.; HELANDER, M. A Kansei mining system for affective design. Expert System with Applications, v. 30, p. 658-673, 2006.

JINDO, T.; HIRASAGO, K. Application studies t ocar interior of Kansei engineering.International Journal of Industrial Ergonomics, v. 19, p. 105-114, 1997.

JINDO, T.; HIRASAGO, K.; NAGAMACHI, M. Development of a design support system for office chairs using 3-D graphics.International Journal of Industrial Ergonomics, v. 15, p. 49-62, 1995.

JOHNSON, R. A.; WICHERN, D. W. Applied multivariate statistical analysis. New Jersey: Prentice Hall, 2002.

KACKER, R. N.; LAGERGREN, E. S.; FILLIBEN, J. J. Taguchi’s Orthogonal Arrays are classical designs of experiments. Journal of Research of the National Institute of

142

Standards and Technology, v. 96, n. 5, p. 577-591, 1991.

KANSUMERS. Protótipo de loja virtual Kansumers. Disponível em: < http://temporario- kansumers.lojaintegrada.com.br/>, acesso em: 20/03/2016.

KAPLAN, A. M.; HAENLEIN, M. User of the world, unite! The challenges and opportunities of Social Media. Business Horizons, v. 53, p. 59-68, 2010.

KARANA, E.; HEKKERT, P.; KANDACHAR, P.A tool for meaning driven materials selection. Materials and Design, v. 31, p. 2932-2941, 2010.

KAULIO, M. A. Customer, consumer and user involvement in product development: a framework and a review of selected methods. Total Quality Management, v. 9, n. 1, p. 141- 149, 1998.

KIETZMANN, J. H.; HERMKENS, K.; MCCARTHY, I. P.; SILVESTRE, B. S. Social media? Get serious! Understanding the functional building blocks of social media. Business Horizons, v. 54, n. 3, p. 241-251, 2011.

KIM, K. J.; AHN, H. C. A recommender system using GA k-means clustering in an online shopping market. Expert Systems with Applications, v. 34, p. 1200-1209, 2008.

KIM, I.; KIM, M.; van de VELDEN, M.; LEE, H. Psychological positioning of bottled tea products: a comparison between two Kansei profiling techniques. Food Science Biotechnology, v. 22, n. 1, p. 257-268, 2013.

KOHLER, T.; FUELLER, J. STIEGER, D.; MATZLER, K. Avatar-based innovation: consequences of the virtual co-creation experience. Computers in Human Behavior, v. 27, p. 160-168, 2011.

KUANG, J.; JIANG, P. Product platform design for a product family based on Kansei Engineering. Journal of Engineering Design, v. 20, n. 6, p. 589-607, 2009.

KWAHK, J.; HAN, S. H. A methodology for evaluating the usability of audiovisual consumer products. Applied Ergonomics, v. 33, p. 419-431, 2002.

LAI, H.; CHANG, Y.; CHANG, H. A robust design approach for enhancing the feeling quality of a product: a car profile case study.International Journal of Industrial Ergonomics, v. 35, p. 445-460, 2005.

LAI, H.; LIN, Y.; YEH, C. Form design of product image using grey relational analysis and neural network models. Computers and Operations Research, v. 32, p. 2689-2711, 2005.

143

LAI, H.; LIN, Y.; YEH, C.; WEI, C. User-oriented design for the optimal combination on product design. International Journal of Production Economics, v. 100, p. 253-267, 2006.

LEE, J. L.; CHANG, M. L. Stimulating designers’ creativity based on a creative evolutionary system and collective intelligence in product design. International Journalof Industrial Ergonomics, v. 40, n. 3, p. 295-305, 2010.

LEE, S.; HARADA, A.; STAPPERS, P. J. Design based on Kansei. In: GREEN, W. S.; JORDAN, P. W. (eds.). Pleasure with products: Beyond usability. London: Taylor and Francis, 2002.

LETTL, C. User involvement competence for radical innovation. Journal of Engineering and Technology Management, v. 24, p. 53-75, 2007.

LÈVY, P. Exploring constituents for kansei design: toward a framework. In: International Congress of the International of Societies of Design Research, 5., Tokyo, 2013, Proceedings…Tokio: IASDR,2013a.

LÈVY, P. Beyond Kansei Engineering: the emancipation of Kansei Design. International Journal of Design, v. 7, n. 2, 2013b.

LIN, L.; YANG, M.; LI, J.; WANG, Y. A systematic approach for deducing multi-dimensional modeling features design rules based on user-oriented experiments. International Journal of Industrial Ergonomics, v. 42, p. 347-358, 2012a.

LIN, Y.; YEH, C.; WANG, C.; WEI, C. Is the linear modeling technique good enough for optimal form design? A comparison of quantitative analysis models. The Scientific World Journal, 2012b.

LIN, Y.; LAI, H.; YEH, C. Consumer-oriented product form design based on fuzzy logic: a case study of mobile phones. International Journal of Industrial Ergonomics, v. 37, p. 531-543, 2007.

LLINARES, C.; PAGE, A. Application of product differential semantics to quantify purchaser perceptions in housing assessment.Building and Environment, v. 42, p. 2488-2497, 2007.

LLINARES, C.; PAGE, A. Differential semantics as a Kansei Engineering tool for analysing the emotional impressions which determine the choice of neighbourhood: the case of Valencia, Spain.Landscape and Urban Planning, v. 86, p. 247-257, 2008.

LOJA INTEGRADA. Loja Integrada: montar ou criar loja virtual grátis. Disponível em:

144

, acesso em: 20/03/2016. LOJA2. Loja2: Crie sua loja virtual grátis em minutos. Disponível em: , acesso em: 20/03/2016. LUO, S.; FU, Y.; ZHOU, Y.Perceptual matching of shape design style between wheel hub and car type.International Journal of Industrial Ergonomics, v. 42, p. 90-102, 2012.

LUO, S.; FU, Y.; KORVENMAA, P. A preliminary study of perceptual matching for the evaluation of beverage bottle design.International Journal of Industrial Ergonomics, v. 42, p. 219-232, 2012.

MAGNUSSON, P. R. Exploring the contributions of involving ordinary users in ideation of technology-based services. The International Journal of Product Innovation Management, v. 26, n. 5, p. 578-593, 2009.

MATTHEWS, P. C.; CHESTERS, P. E. Implementing the Information Pump using accessible technology. Journal of Engineering Design, v. 17, n. 6, p. 563-585, 2006.

MESSINGER, P. R.; STROULIA, E. S.; LYONS, K.; BONE, M.; NIU, R. H.; SMIRNOV, K.; PERELGUT, S. Virtual worlds - past, present, and future: new direction in social computing. Decision Support Systems, v. 47, p. 204-228, 2009.

MINGOTI, S. A. Análise de dados através de métodos de estatística multivariada: uma abordagem aplicada. Belo Horizonte: Editora UFMG, 2007.

MONDRAGON, S.; COMPANY, P.; VERGARA, M. Semantic Differential applied to the evaluation of machine tool design. International Journal of Industrial Ergonomics, v. 35, p. 1021-1029, 2005.

MONTGOMERY, D. C.; RUNGER, G. C. Applied statistics and probability. New York: John Wiley & Sons, 2003.

NAGAMACHI, M. (ed). Kansei/affective engineering. Boca Raton: CRC Press, 2011.

NAGAMACHI, M.; LOKMAN, A. M. Innovations of Kansei engineering. New York: CRC Press, 2011.

NAGAMACHI, M.; OKAZAKI, Y.; ISHIKAWA, M. Kansei engineering and application of the rough sets model. Journal of Systems and Control Engineering, v. 220,p. 763-768, 2006.

NAKADA, K. Kansei engineering research on the design of construction machinery.

145

International Journal of Industrial Ergonomics, v. 19, p. 129-146, 1997.

NAMBISAN, S. Designing virtual customer environments for new product development: toward a theory. Academy of Management Review, v. 27, n. 3, p. 392-413, 2002.

NAMBISAN, S.; BARON, R. A. Customer environments: implications for product support and customer relationship management. Journal of Interactive Marketing, v. 21, n. 2, 2007.

NAMBISAN, P.; WATT, J. H. Managing customer experiences in online product communities. Journal of Business Research, v. 64, p. 889-895, 2011.

NISHINO, T.; NAGAMACHI, M.; TANAKA, H. Variable precision bayesian rough set model and its application to Kansei Engineering. LNCS, p. 190-206, 2006.

NOH, S. J.; PARK, H.; PARK, M. Multidimensional quality assessment of multimedia telecommunications systems for enhancing customer satisfaction. Total Quality Management and Business Excellence, v. 15, n. 7, p. 899-908, 2013.

NORDVIK, E.; SCHÜTTE, S.; BROMAN, N. O. People’s perceptions of the visual appearance of wood flooring: a kansei engineering approach.Forest Products Journal, v. 59, n. 11/12, 2009.

NUNES, B. P. Classificação automática de dados semi-estruturados. 2009. 92 p. Dissertação (Mestrado em Informática) – Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, 2009.

OZER, M. The roles of product lead-users and product experts in new product evaluation. Research Policy, v. 38, n. 8, p. 1340-1349, 2009.

PARK, D. H.; KIM, H. K.; CHOI, I. Y.; KIM, J. K. A literature review and classification of recommender systems research. Expert Systems with Applications, v. 39, p. 10059-10072, 2012.

PEARCE, K. F.; COLEMAN, S. Y. Modern-day perpection of historic footwear and its links to preference. Journal of Applied Statistics, v. 35, n. 2, p. 161-178, 2013.

PETIOT, J.; YANNOU, B. Measuring consumer perceptions for better comprehension, specification and assessment of product semantics. International Journal of Industrial Ergonomics, v. 33, p. 507-525, 2004.

PHAM, H. V.; CAO, T.; NAKAOKA, I.; KUSHIDA, J.; COOPER, E. W.; KAMEI, K. A group decision support system using hybrid Kansei-SOM model for stock Market

146

investimento strategies and its appllication. International Journal of Innovative Computing, Information and Control, v. 7, n. 7(A), 2011.

PILLER, F. T.; WALCHER, D. Tookits for idea competitions: a novel method to integrate users in new product development. R&D Management, v. 36, n. 3, p. 307-318, 2006.

PLANT, R. Online communities. Technology in Society, v. 26, p. 51-65, 2004.

PRANDELLI, E; VERONA, G.; RACCAGNI, D. Diffusion of web-based product innovation. California Magement Review, v. 48, n. 4, p. 109-135, 2006.

PROJECT MANAGEMENT INSTITUTE – PMI. PMBOK Guide:aguide to the project management body of knowledge. Pennsylvania: Project Management Institute, 2008.

QUINTAL, G. M. C. C. Análise de clusters aplicada ao sucesso/insucesso em matemática. 2006. 184 p. Dissertação (Mestrado em Matemática para o Ensino) – Departamento de Matemática e Engenharias, Universidade da Madeira, Funchal, 2006.

RANDALL, T.; TERWIESCH, C.; ULRICH, K. T. User design of customized products. Marketing Science, v. 26, n. 2, p. 268-280, 2007.

ROHRBECK, R.; STEINHOFF, F.; PERDER, F. Sourcing innovation from your customer: how multinational enterprises use web platforms for virtual customer integration. Technology Analysis & Strategic Management, v. 22, n. 2, p. 117-131, 2010.

ROMERO, D.; MOLINA, A. Collaborative networked organisations and customer communities: value co-creation and co-innovation in the networking era. Production Planning & Control, p. 1-26, 2011.

RYZHKOVA, N. Web-based customer innovation: a replication with extension. Innovation: Management, Policy & Practice, v. 14, n. 3, p. 416-430, 2012.

SAWHNEY, M.; VERONA, G.; PRANDELLI, E. Collaborating to create: the internet as a platform for customer engagement in product innovation. Journal of Interactive Marketing, v. 19, n. 4, 2005.

SCHÜTTE, S. T. W. Designing feelings into products: Integrating Kansei engineering methodology in product development. Linköping: Linköpings Universitet, 2002. 97 p. Thesis – Department of Mechanical Engineering, Institute of Technology, Linköpings Universitet, Linköping, 2002.

SCHÜTTE, S. T. W. Engineering emotional values in product design: Kansei engineering

147

in development. Linköping: Linköpings Universitet, 2005. 106 p. Dissertation – Department of Mechanical Engineering, Institute of Technology, Linköpings Universitet, Linköping, 2005.

SCHÜTTE, S. Developing the space of product properties supporting Kansei Engineering procedure. Kansei Engineering International, v. 5, n. 4, p. 11-19, 2006.

SCHÜTTE, S.; EKLUND, J. Design of rocker switches for work-vehicles: an application of Kansei Engineering. Applied Ergonomics, v. 36, p. 557-567, 2005.

SCHÜTTE, S. T. W.; EKLUND, J.; ISHIHARA, S.; NAGAMACHI, M. Affective meaning: The Kansei engineering approach. In: SCHIFFERSTEIN, H. N. J.; HEKKERT, P. (eds.). Product experience: A multidisciplinary approach. New York: Elsevier, 2008.

SCILAB. Scilab: open source software for numerical computation. Disponível em: , acesso em: 20/03/2016.

SHI, F.; SUN, S.; XU, J. Employing rough sets and association rule mining in KANSEI knowledge extraction. Information Sciences, v. 196, p. 118-128, 2012.

SHIEH, D.; YANG, C. Multiclass SVM-RFE for product form feature selection. Expert System with Applications, v. 35, p. 531-541, 2008.

SHIH, C. The Facebook era: tapping online social networks to build better products, reach new audiences, and sell more stuff. Boston: Pearson Education, 2009.

SILVA, F. B.; AMARAL, D. C. Análise das recomendações para o uso de escalas na aplicação da Engenharia Kansei. In: Congresso Brasileiro de Gestão de Desenvolvimento de Produto, 9., Natal, 2013, Anais...Natal: CBGDP, 2013.

SMITH, A. N.; FISCHER, E.; YONGJIAN, C. How does brand-related user-generated content differ across YouTube, Facebook, and Twitter? Journal of Interactive Marketing, v. 26, p. 102-113, 2012.

SMITH, S.; FU, S. The relationships between automobile head-up display presentation images and drivers’ Kansei. Displays, v. 32, p. 58-68, 2011.

STANDING, C.; KINITI, S. How can organizations use wikis for innovation? Technovation, v. 31, p. 287-295, 2011.

TAGUCHI, G.; CHOWDHURY, S.; WU, Y. Taguchi’s quality engineering handbook. New Jersey: John Wiley & Sons, 2005.

TANOUE, C.; ISHIZAKA, K.; NAGAMACHI, M. Kansei Engineering: a study on

148

perception of vehicle interior image. International Journal of Industrial Ergonomics, v. 19, p. 115-128, 1997.

THOMSON REUTERS. Web of Science. Disponível em: . Acesso em: 15/05/2013.

TOUBIA, O. Idea generation, creativity, and incentives. Marketing Science, v. 25, n. 5, p. 411-425, 2006.

TOUBIA, O.; SIMESTER, D. I.; HAUSER,J. R.; DAHAN, E. Fast polyhedral adptive conjoint estimation. Marketing Science, v. 22, n. 3, p. 273-303, 2003.

TSUCHIYA, T.; MAEDA, T.; MATSUBARA, Y.; NAGAMACHI, M. A fuzzy rule induction method using genetic algorithm.International Journal of Industrial Ergonomics, v. 18, p. 135-145, 1996.

TUDO CELULAR. O site brasileiro de telefonia. Disponível em: , acesso em: 23/11/2015.

TUNG, T.; GUAN, S.; HSIEH, C. A study of the illustrative style effect of icon design: using the digital camera icon as an example. Journal of Research and Practice in Information Technology, v. 41, n. 4, p. 369-388, 2009.

TURATO, E. R. Métodos qualitativos e quantitativos na area da saúde: definições, diferenças e seus objetivos de pesquisa. Revista de Saúde Pública, v. 39, n. 3, p. 507-514, 2005.

URBAN, G. L.; HAUSER, J. R. Listening in to find and explore new combinations of customer needs. Journal of Marketing, v. 68, p. 72-87, 2004. van LOTTUM, C.; PEARCE, K.; COLEMAN, S. Features of Kansei Engineering characterizing its use in two studies: men’s everyday footwear and historic footwear. Quality and Reliability Engineering International, v. 22, p. 629-650, 2006.

VERRI, M. A. Investigação de métodos da Engenharia Kansei para a mensuração do espaço semantico. Curitiba: UFPR, 2015. 208 p. Dissertação (Mestrado em Design) – Universidade Federal do Paraná, UFPR, Curitiba, 2015.

Von HIPPEL, E. Lead users: a source of novel product concepts. Management Science, v. 32, n. 7, p. 791-805, 1986.

149

von HIPPEL, E. User toolkits for innovation. The Journal of Product Innovation Management, v. 18, n. 4, p. 247-257, 2001. von HIPPEL, E. Democratizing innovation. Cambridge: MIT Press, 2005. von HIPPEL, E.; KATZ, R. Shifting innovation to users via toolkits. Management Science, v. 48, n. 7, p. 821-833, 2002.

WENG, S. S.; LIU, M. J. Feature-based recommendations for one-to-one marketing. Expert Systems with Applications, v. 26, n. 4, p. 493-508, 2004.

WALPOLE, R. E.; MYERS, R. H.; MYERS, S. L.; YE, K. Probability & statistics for engineers & scientists. Boston: Pearson Prentice Hall, 2012.

WHETTEN, D. A. O que constitui uma contribuição teórica? Revista de Administração de Empresas, v. 43, n. 3, p. 69-73, 2003.

YAN, H.; HUYIN, V.; NAKAMORI,Y. A group nonadditive multiattibute consumer-oriented Kansei evaluation model with an application to traditional crafts. Annals of Operations Research, v. 195, p. 325-354, 2012.

YAN, H.; HUYNH, V.; MURAI, T.; NAKAMORI, Y. Kansei evaluation based on prioritized multi-attribute fuzzy target-oriented decision analysis. Information Sciences, v. 178, p. 4080- 4093, 2008.

YANG, C. A classification-based Kansei engineering system for modeling consumers’ affective responses and analysing produt form features. Expert Systems with Applications, v. 38, p. 11382-11393, 2011a.

YANG, C. Constructing a hybrid Kansei engineering system based on multiple affective responses: application to product form design. Computers and Industrial, v. 60, p. 760-768, 2011b.

YANG, C.; CHANG, H. Selecting representative affective dimensions using Procrustes analysis: an application to mobile phone design. Applied Ergonomics, v. 43, p. 1072-1080, 2012.

YANG, Z.; WANG, Y.; KITSUREGAWA, M. An effective system for mining web log. Lecture Notes in Computer Science, v. 3841, p. 40-52, 2006.

ZHAI, L.; KHOO, L.; ZHONG, Z. A dominance-based rough set approach to Kansei Engineering in product development. Expert Systems with Applications, v. 36, p. 393-402,

150

2009.

151

APÊNDICE A: Protocolo de Revisão Bibliográfica Estruturada (RBE)

A.1. Justificativa e problema O envolvimento do consumidor é considerado fundamental em projetos de produtos cujos requisitos e limites não estão claramente delineados (GALES; MANSOUR-COLE, 1995). Estes tipos de projetos requisitam mudanças e ajustes, em processos interativos entre consumidor e equipe de projetos, durante a execução do projeto, até a identificação de uma solução (THOMKE; von HIPPEL, 2002). Para que um consumidor possa ser efetivamente envolvido em um processo de desenvolvimento de produtos, a organização deve estabelecer padrões de interação (LETTL, 2007), i.e., meios para captar o conhecimento do consumidor e envolvê-lo sistematicamente. Em termos práticos, envolver consumidores no processo de desenvolvimento de produtos é um desafio. A dificuldade de envolver o consumidor é maior quando o projeto é inovador e requisita envolvimento ativo. Nesse sentido, Lettl (2007) refere que consumidores possuem dois tipos de limitações. A primeira limitação refere-se ao repertório de consumidores, dificultando a geração de ideias, avaliação de conceitos e provimento de outros inputs relacionados a produtos inovadores. A segunda limitação refere-se à disponibilidade para envolvimento, ou interesse em ser envolvido em um processo de desenvolvimento de produtos. Em tese, o envolvimento sistemático do consumidor pode ser alcançado com a aplicação de métodos para o envolvimento do consumidor. Há na literatura uma miríade de métodos para promover o envolvimento sistemático do consumidor no processo de desenvolvimento de produtos. Kaulio (1998) cita alguns: Lead User (von HIPPEL, 1986), Quality Function Deployment (SULLIVAN, 1986; HAUSER; CLAUSING, 1988)23, Concept Testing (ACITO; HURSTAD, 1981), e, User-Oriented Product Development (ROSENBLAD-WALLIN, 1985). Esses métodos, difundidos, sobretudo, a partir da década de 1980, apresentam importantes limitações. São sumarizados, aqui, três principais problemas. O primeiro problema refere-se à limitação no número de consumidores envolvidos, acarretada pela dificuldade na captação e tratamento de alto volume de dados qualitativos, apropriadamente. O segundo problema refere-se à limitação no acesso ao consumidor, devido à necessidade de interação direta, implicando em menor frequência do envolvimento e

23 Embora desenvolvido Akao em 1966, no Japão (AKAO, 2004). 152

dificuldades na inclusão de consumidores geograficamente distribuídos. O terceiro problema, uma consequência do primeiro e segundo, refere-se à limitação do perfil de consumidor envolvido, requisitando a participação de uma gama limitada de consumidores, tais como representantes de consumidores, ou consumidores líderes (i.e. lead users). No início da década de 2000, foram desenvolvidas ferramentas que poderiam solucionar os problemas dos métodos para envolvimento do consumidor. Essas ferramentas podem ser definidas como softwares criados com a intenção de aplicar métodos para o envolvimento do consumidor utilizando a Internet. Seriam capazes de solucionar os principais problemas dos métodos para envolvimento do consumidor, permitindo, por exemplo: (1) aumento no tamanho e escopo da audiência (SAWHANEY; VERONA; PRANDELLI, 2005), devido ao acesso a número elevado de consumidores, e dispersos geograficamente; (2) maior persistência, frequência, do envolvimento (SAWHANEY; VERONA; PRANDELLI, 2005), durantes as fases do processo de desenvolvimento de produtos; (3) a captação e tratamento de alto volume de dados de consumidores, utilizando algoritmos, facilitando a agregação e disponibilização de informações úteis para a equipe de projetos; e, (4) a inclusão de uma diversidade de perfis de consumidores, não somente representantes ou lead users, devido ao apoio de mídias (DAHAN; HAUSER, 2002) que favorecem a comunicação visual. Nesse contexto, uma série de estudos e abordagens, em diferentes áreas, surgiu com o propósito de explorar e depurar o entendimento do fenômeno “envolvimento virtual do consumidor no processo de desenvolvimento de produtos”, compondo arcabouços teóricos, contendo definições, terminologias, e propostas de ferramentas. Estudos sobre esse fenômeno podem ser encontrados na literatura de áreas diversas, tais como management science (PRANDELLI; VERONA; RACCAGNI, 2006), new product development (FÜLLER; MATZLER, 2007), collaborative networks (ROMERO; MOLINA, 2011), information science (ESTELLÉS-AROLAS; GONZÁLEZ-LADRÓN-DE-GUEVARA, 2012), fragmentada, e pouco alinhada.

A.2. Objetivos Esta revisão bibliográfica estruturada (RBE) teve como ponto de partida uma revisão inicial exploratória. A revisão inicial exploratória teve por propósito: Identificar os blocos de construção caracterizadores do fenômeno envolvimento virtual do consumidor no processo de desenvolvimento de produtos, com a intenção de “mapear conceitualmente o fenômeno” (WHETTEN, 2003). E, portanto, estabelecer um entendimento integrado do fenômeno. Como desdobramento desse entendimento, a definição de palavras-

153

chave, bases de busca e periódicos iniciais para auxiliar a RBE. A revisão bibliográfica estruturada (RBE) teve por propósito: Identificar as ferramentas para viabilização do envolvimento virtual do consumidor no processo de desenvolvimento de novos produtos. Considera-se ferramenta na acepção do PMI (2008), i.e., “algo tangível, como um template ou programa de software, usado no desempenho de uma atividade para produzir um produto ou resultado”. Em suma, as ferramentas devem permitir a coleta e triagem sistemática das informações obtidas de consumidores, para uso no processo de desenvolvimento de produtos. Identificar os pontos fortes e fracos das ferramentas para viabilização do envolvimento virtual do consumidor no processo de desenvolvimento de novos produtos, considerando a capacidade em envolver consumidores geograficamente distribuídos, de diferentes níveis de expertise, ao longo do processo de desenvolvimento de produtos.

A.3. Etapas da pesquisa

A.3.1. Revisão bibliográfica inicial Pode ser dividida em cinco principais etapas, conforme esquematiza a Figura A.1. Considerando o objetivo da revisão bibliográfica inicial, i.e., caracterizar o “envolvimento virtual do consumidor no processo de desenvolvimento de produtos”, delineando, para tanto, os blocos de construção caracterizadores do fenômeno, foram definidas as palavras-chave iniciais, na primeira etapa. Essas palavras-chave foram definidas baseadas no repertório pessoal do pesquisador, leituras prévias em artigos sobre o tema envolvimento do consumidor e, portanto, restritas a este vocabulário e à inexperiência do pesquisador. As palavras-chave definidas foram reunidas em três grupos. O primeiro grupo continha as palavras-chave “collaborative network”, “social network” e “social media”. Essas palavras-chave foram definidas com o propósito de permitir a identificação de trabalhos que abordassem o envolvimento do consumidor a partir de redes sociais virtuais, ou redes colaborativas de consumidores, uma tendência na área de desenvolvimento de produtos, já identificada em trabalhos como os de Shih (2009) e Howard (2010). O segundo grupo continha as palavras- chave “customer-made”, “crowdsourcing”, “virtual customer involvement” e “virtual customer community”. Essas palavras-chave foram definidas com o propósito de limitar a busca a trabalhos sobre o tema envolvimento do consumidor, i.e., trabalhos que abordassem a participação de consumidores no desenvolvimento de produtos. O terceiro grupo de palavras- chave continha as palavras-chave “new product development” e “co-creation”. Essas palavras-

154

chave foram definidas com o propósito de limitar as buscas a trabalhos na área de desenvolvimentos de produtos e desenvolvimento de produtos colaborativo. Os grupos de palavras-chave definidos foram utilizados para busca, combinados ou não, nas bases de dados ISI Web of Knowledge, Science Direct e no site de buscas Google Scholar, na segunda etapa da revisão inicial exploratória.

Figura A.1. Etapas da revisão exploratória inicial sobre envolvimento virtual do consumidor no PDP

Os artigos identificados nas buscas foram triados em dois momentos. Na primeira triagem foram lidos os títulos, resumos e palavras-chave, terceira etapa da revisão exploratória inicial. Na segunda triagem, os artigos selecionados na primeira triagem foram lidos na íntegra, quarta etapa da revisão exploratória inicial. Os artigos deveriam atender os seguintes critérios: (a) apresentar definições e termos aplicáveis ao tema envolvimento virtual do consumidor no processo de desenvolvimento de produtos; e (b) apresentar meios para a consecução do envolvimento virtual do consumidor, seja através da indicação de métodos, ou da descrição de processos para a sua realização. Na primeira triagem foram identificados 23 artigos potencialmente úteis para o estudo, diretamente nas bases de dados. Na segunda triagem, foram selecionados 8 artigos seminais para análise de conteúdo, dos quais foram obtidas 12 referências cruzadas complementares. Na Tabela A.1 estão listados os artigos selecionados na segunda triagem e as referências cruzadas complementares.

155

Tabela A.1. Lista de artigos selecionados na 2ª triagem e referências cruzadas complementares Referências obtidas na 2ª triagem Referências cruzadas Estellés-Arolas e González-Ladrón-de-Guevara (2012) Nambisan e Watt (2011) Romero e Molina (2011) Kohler et al. (2011) Camarinha-Matos e Afsarmanesh (2008) Rohrbeck, Steinhoff e Perder (2010) Brabham (2008) Füller, Faullant e Matzler (2010) Füller e Matzler (2007) Franke, Keinz e Schreier(2008) Sawhaney, Verona e Prandelli (2005) Hemetsberger e Godula (2007) Nambisan (2002) Füller (2006) Dahan e Hauser (2002) Füller et al. (2006) Von Hippel (2005) Urban e Hauser (2004) Von Hippel e Katz (2002) Sawhaney e Prandelli (2000)

Na quinta etapa da revisão, foi feita uma análise de conteúdo dos artigos selecionados. Essa análise permitiu dois principais tipos de resultados. O primeiro tipo de resultado consistiu em uma compreensão dos blocos de construção caracterizadores do fenômeno envolvimento virtual do consumidor, que auxiliou na fundamentação teórica do trabalho e delineamento do arcabouço inicial sobre a temática desenvolvida na Tese. Os blocos de construção foram identificados a partir dos aspectos recorrentes em cada descrição do fenômeno, resultando em uma lista inicial de aspectos, que foram agrupados em construtos rotulados por termos de cunho mais abrangente, por similaridade. Estes blocos de construção resultaram na seção 2.1, Capítulo 2. O segundo tipo de resultado consistiu em uma compilação de rótulos comumente empregados nos artigos para designar aspectos de interesse correlacionados ao envolvimento virtual do consumidor, também bases e periódicos iniciais.

A.3.2. Revisão bibliográfica estruturada (RBE)

Pode ser dividida em nove principais etapas, conforme esquematiza a Figura A.2. Na primeira etapa foram geradas as strings de busca. Para isso, os rótulos captados na revisão exploratória inicial foram divididos em três grupos: (a) rótulos nomeadores do fenômeno; (b) rótulos obtidos a partir de definições para o fenômeno; e, (c) rótulos nomeadores de ferramentas, métodos ou mecanismos. O segundo grupo, em especial, constituído por rótulos obtidos a partir de definições para o fenômeno, foi estabelecido utilizando uma segmentação em frames semânticos. As definições para o fenômeno foram segmentadas em sete tipos de frames semânticos, dos quais seis24 foram definidos por Conforto (2013). Os sete frames semânticos utilizados foram: (1) entity; (2) entity qualifier; (3) event; (4) trigger; (5) degree; (6) purpose; e, (7) circunstance. Os frames semânticos identificados das definições do fenômeno foram

24 Exceto o frame semântico entity qualification. 156

utilizados como rótulos para a composição das strings do segundo grupo. Os rótulos do primeiro e terceiro grupo foram utilizados conforme identificados na literatura revisada. As strings geradas para os três grupos de rótulos estão apresentadas na seção A.4.

Figura A.2. Etapas da revisão exploratória inicial sobre envolvimento virtual do consumidor no PDP

Na segunda etapa, as strings foram testadas utilizando o recurso Advanced Search do site de busca científica Web of Science. O teste das strings objetivou identificar a estratégia mais eficiente, i.e., cujo total de artigos englobasse os trabalhos identificados na revisão exploratória inicial (vide Tabela A.1), como uma meta qualitativa, para uma menor população de artigos. Desse resultado, foi possível a seleção da estratégia de busca, conforme descrito na seção A.5, na terceira etapa, e a realização das buscas em periódicos e em bases de dados, na quarta etapa. O sistema de busca escolhido foi a ISI Web of Science (WoS). Os periódicos que compuseram a lista de periódicos para busca foram obtidos nos artigos selecionados na revisão exploratória inicial. A lista de periódicos continha os periódicos: International Journal

157

of Production Research; Journal of Product Innovation Management; Technovation; Academy of Management Review; Production Planning & Control; Journal of Interactive Marketing; Convergence: The International Journal of Research into New Media Technologies; e, Journal of Information Science. Dos periódicos listados, somente o “Convergence: The International Journal of Research into New Media Technologies” não estava indexado na base de dados ISI Web of Science, e o periódico “Journal of Interactive Marketing” não possuía todas as edições disponíveis no ISI Web of Science. Assim, foram feitas buscas diretamente nos repositórios destes periódicos, além da base WoS. Na quinta etapa ocorreu a 1ª triagem dos artigos identificados nas buscas, com a leitura dos títulos, resumos e palavras-chave. Esta triagem foi feita utilizando critérios de inclusão descritos na seção A.6. Os artigos que não atendiam aos critérios de inclusão, aplicados na 1ª triagem, foram excluídos, os demais, lidos na íntegra, na 2ª triagem, realizada na sexta etapa. Na 2ª triagem foram aplicados os mesmo critérios utilizados na 1ª triagem para a exclusão de artigos. Na sétima etapa, foi realizada análise qualitativa de conteúdo dos artigos selecionados. Esta análise permitiu a identificação de ferramentas para a viabilização do envolvimento virtual do consumidor descritas na literatura científica. Do estudo aprofundado das ferramentas e dos artigos, novas referências (i.e. referências cruzadas) foram obtidas. A análise qualitativa realizada na sétima etapa também permitiu a elaboração de uma taxonomia para classificar as ferramentas de viabilização do envolvimento virtual do consumidor. Esta taxonomia foi desenvolvida com a intenção de auxiliar na identificação dos pontos fortes e fracos das ferramentas identificadas na Revisão Bibliográfica Estruturada. A descrição e análise das ferramentas identificadas na RBE estão na seção 2.2, Capítulo 2.

A.4. Palavras-chave e strings de busca Conforme referido na seção A.3, as palavras-chave foram obtidas de três grupos de rótulos identificados na literatura sobre envolvimento virtual do consumidor: (1) palavras-chave que representam rótulos nomeadores do fenômeno; (2) palavras-chave que representam rótulos obtidos a partir de definições para o fenômeno; e, (3) palavras-chave que representam rótulos nomeadores de ferramentas, métodos ou mecanismos. A estes grupos foi adicionado um novo grupo (4), composto por palavras-chave delimitadoras associadas ao objetivo da revisão bibliográfica estruturada. O primeiro grupo de palavras-chave, constituído por rótulos nomeadores do fenômeno, está na Tabela A.2.

158

Tabela A.2. Palavras-chave que representam rótulos nomeadores do fenômeno Rótulos Referências Virtual Customer Integration Füller e Matzler (2007) Collaborative Network Camarinha-Matos e Afsarmanesh (2008) Crowdsourcing Brabham (2008) Experience-centric Network Romero e Molina (2011)

A string obtida para as palavras-chave apresentadas na Tabela A.2, denominada string básica 125, é a seguinte: TS=(virtual customer integration* OR collaborative network* OR crowdsourcing OR experience centric network*) Pontos fortes: o uso de rótulos facilita a identificação de artigos que tratem sobre o fenômeno enfocado, e artigos seminais. Pontos fracos: o uso de rótulos, exclusivamente, restringe a busca por artigos que tratam sobre o fenômeno sob aquela denominação. Isto pode ser um problema para o caso de artigos que tratem sobre o fenômeno utilizando outros rótulos denominadores. O segundo grupo de palavras-chave, constituído por rótulos obtidos a partir de definições para o fenômeno, está na Tabela A.3.

Tabela A.3. Palavras-chave que representam rótulos obtidos a partir de definições para o fenômeno Frame semanticos26 Rótulos users; entities; organizations; people; company; institution; people; Entity [EN] individuals; organizations; customer; consumers autonomous; geographically distributed; heterogeneous; network; Entity qualification [EQ] undefined; large; sole; communities to contribute; collaborate; outsource; peer-production; associating; Event [EVT] collect enough consumers’ knowledge; generating; evaluating; elaborating; improving; selecting; testing; experiencing Degree [DEG] Trigger [TRG] to better achieve common goal; compatible goal new product ideas; product concept; satisfy personal consumer’s Purpose [PUR] requirements running simulation; supported by a computer network; open call Circunstance [CTC] format

Os rótulos mostrados na Tabela A.3 foram extraídos das definições para o fenômeno apresentadas na Tabela A.4.

25 As strings utilizam a etiqueta TS, que indica a busca nos campos título, resumo e palavras-chave dos artigos indexados na base de dados. Essa notação é utilizada pelo site de busca ISI Web of Knowledge. 26 De acordo com Conforto (2013), os frames semânticos são definidos da seguinte forma: (1) entity, representa o agente de uma ação; (2) entity qualifier, representa o qualificador da entidade; (3) event, representa a ação realizada ou sofrida pela entidade; (4) trigger, representa o elemento que estimula, desencadeia o evento; (5) degree, representa o qualificador do evento; (6) purpose, representa o objetivo a ser atingido pela realização do evento; (7) circunstance, representa o contexto no qual ocorre o evento. 159

Tabela A.4. Definições para o fenômeno utilizadas para a extração dos rótulos Definições para o fenômeno Referências Virtual customer integration compared to conventional online market Virtual Customer Integration research is that users are not only asked about their opinions, wants (FÜLLER; MATZLER, 2007) and needs. They are invited to contribute their creativity and problem- solving skills by generating and evaluating new product ideas, elaborating a detailed product concept, evaluating or challenging it, discussing and improving optional solution details, selecting or individualizing the preferred virtual prototype, testing and experiencing the new product features by running simulations, getting information about new product or just consuming it. A collaborative network (CN) is an alliance constituted by a variety of Collaborative Network entities (e.g. organizations and people) that are largely autonomous, (CAMARINHA-MATOS; geographically distributed, and heterogeneous in terms of their AFSARMANESH, 2008) operating environment, culture, social capital and goals, but that collaborate to better achieve common or compatible goals, and whose interactions are supported by a computer network. Represents the act of a company or institution taking a function once Crowdsourcing (BRABHAM, performed by employees and outsourcing it to an undefined (and 2008) generally large) network of people in the form of an open call. This can take the form of peer-production (when the job is performed collaboratively), but is also often undertaken by sole individuals. The crucial prerequisite is the use of the open call format and the large network of potential laborers. Can be understood as a solution generator capable of associating Experience-centric Network organizations core competencies and resources into collaborative (ROMERO; MOLINA, 2011) networks on one side, and on the other side, collect enough consumers’ knowledge from customer communities to understand how to satisfy personal consumers’ requirements.

A string obtida para as palavras-chave apresentadas na Tabela A.3, denominada string básica 2, é a seguinte: TS=(user OR entit* OR people OR individual OR customer OR consumer OR company OR institution OR organization) AND TS=(contribut* OR collaborat* OR peer-production OR knowledge acquisition* OR generating OR evaluating OR elaborating OR improving OR selecting OR testing OR experiencing) AND TS=(new product idea* OR product concept* OR consumer requirement* OR product development*) Conforme pode ser visto na string básica 2, os rótulos mostrados na Tabela A.3 foram utilizados parcialmente, ajustados ou alterados para compor as palavras-chave do segundo grupo. As alterações são apresentadas a seguir: a) palavras no plural foram substituídas por suas equivalentes no singular, quando a alteração requeria somente a retirada de letras, a exemplo das palavras users, de singular user. b) palavras no plural, cuja palavra no singular apresentava alteração na estrutura da palavras, além da retirada exclusiva de letras, foram mantidas com a adição de suas

160

equivalentes no singular. É o caso das palavras entities, com singular entity, e communities, com singular community. c) apóstrofes foram retiradas, como no caso do termo consumer’s requirement, para consumer requirement. d) as palavras organizations, company e institution, referentes ao frame entity, foram excluídas, pois são genéricas e não estão associadas diretamente ao fenômeno. E podem conduzir a buscas com enfoque em redes de empresas, quando o enfoque aqui é envolvimento virtual do consumidor. e) as palavras undefined e sole, referentes ao elemento de frame entity qualification, foram excluídas, pois são palavras que não estão associadas diretamente ao fenômeno. f) as palavras associating e outsource, referente ao elemento de frame event, foram excluída, pois são genéricas e não estão associadas diretamente ao fenômeno. g) o termo collect enough consumers’ knowledge, referente ao frame event foi substituída pelo termo knowledge acquisiton. h) o termo satisfy personal consumer’s requeriments, referente ao elemento de frame purpose, foi substituído por consumer requeriment. i) o termo open call, referente ao elemento de frame circumstance, foi excluído, pois é uma denominação genérica e não está associada diretamente ao fenômeno. j) o termo supported by a computer network, referente aos elemento de frame circumstance, foi reduzido para computer network. k) o elemento de frame trigger não foi utilizado para a definição das strings, pois os termos to better achieve common goal e compatible goal podem tornar as buscas limitadas, já que nos título e resumos de artigos esses termos podem estar implícitos e indicados através do próprio benefício a ser alcançado. Pontos fortes: o uso de frames semânticos pode permitir a busca por artigos que tratem sobre o fenômeno, mas que o referem utilizando outro tipo de rótulo desconhecido pelo pesquisador. Isso pode facilitar a descoberta de publicações em outras áreas do conhecimento que abordem o fenômeno. Pontos fracos: considerando que os frames são constituídos com base em definições do fenômeno coletadas previamente, e algumas dessas definições podem não abranger todos os frames, pode ser difícil, ou gerar inconsistência na busca, utilizar os elementos de frames como palavras-chave. Uma combinação de todos os elementos de frame para gerar a string pode limitar excessivamente a busca, assim, há o problema da escolha dos elementos de frames core, que possam ajudar na identificação de artigos sobre o fenômeno.

161

O terceiro grupo de palavras-chave, constituído por rótulos nomeadores de ferramentas, métodos ou mecanismos, está na Tabela A.5.

Tabela A.5. Rótulos nomeadores de ferramentas, métodos ou mecanismos Rótulos Referências Suggestion box; advisory panels; virtual Sawhney, Verona e Prandelli (2005) communities; web-based idea markets; toolkits for user innovation; open-source mechanisms; web- based patent markets; online survey; marketing intelligence services; web-based conjoint analysis; listening in techniques; mass customization of the product; web-based prototyping; virtual product testing; virtual marketing testing Web-based conjoint analysis (WCA); User Design Dahan e Hauser (2002) (UD); Fast Polyhedral Conjoint Estimation (FastPace); Virtual Concept Testing (VCT); Information Pump (IP); Securities Trading of Concepts (STOC) community based innovation approach; netnography Füller e Matzler (2007)

A string obtida para as palavras-chave apresentadas na Tabela A.5, denominada string básica 3, é a seguinte: TS=(suggestion box* OR advisory panel* OR virtual communities* OR web-based idea market* OR toolkits for user innovation* OR web-based patent market* OR marketing intelligence service* OR listening* OR web-based prototyping* OR virtual product testing* OR virtual marketing testing* OR web-based conjoint analysis* OR user design* OR fast polyhedral conjoint estimation* OR FastPace OR virtual concept testing* OR information pump* OR securities trading of concepts* OR community based innovation approach* OR netnography) Conforme pode ser visto na string básica 3, os rótulos mostrados na Tabela A.5 foram utilizados parcialmente, ajustados ou excluídos para compor as palavras-chave do terceiro grupo. As alterações são apresentadas a seguir: a) os termos open-source mechanisms, online survey e mass customization of the product foram excluídos por não se tratarem de nomes de ferramentas, mas denominações genéricas para um conjunto de ferramentas não especificadas. b) os termos advisory panels, web-based idea markets, web-based patent markets e market intelligence services, foram substituídos pelas suas equivalentes no singular, de forma a possibilitar a busca pelos termos no singular e plural. c) o termo listening in techniques foi reduzido para listening in, que é o nome da técnica propriamente. Pontos fortes: a busca por rótulos designadores de ferramentas permite fazer uma varredura

162

em todos os artigos que abordam as ferramentas, métodos e/ou mecanismos previamente listadas; permite a identificação de artigos sobre o estado da arte e prática sobre as ferramentas previamente listadas. Pontos fracos: restringe as buscas a ferramentas, métodos e/ou mecanismos identificados previamente, de forma que pode ser difícil encontrar novas ferramentas. O quarto grupo de palavras-chave é constituído por rótulos associados ao objetivo de identificação de ferramentas para viabilização do envolvimento virtual do consumidor, da revisão bibliográfica estruturada. São as seguintes: method; mechanism; tool; methodology; e, technique. Estas palavras-chave foram aplicadas em conjunto aos três grupos de palavras- chave inicialmente formados. A string obtida para as palavras-chave do quarto grupo, denominada string básica 4, é a seguinte: TS=(method OR mechanism OR tool OR methodology OR technique)

A.5. Estratégias de busca As estratégias de busca correspondem às composições de strings básicas para alcançar os objetivos da RBE. Foram estruturadas três estratégias de busca, conforme mostra a Tabela A.6 e a parte destacada na Figura A.3, e realizados testes das estratégias, strings geradas. O teste das strings consistiu na realização de busca com as strings geradas no sistema de busca ISI WoS. A quantidade de artigos resultante das buscas com as respectivas strings das estratégias é mostrada, também, na Tabela.

Tabela A.6. Resultado do teste de strings para a seleção de estratégia de busca na RBE (continua) Estratégia de Resultado da Strings busca busca Data da busca: Estratégia 1: TS=(virtual customer integration* OR collaborative network* OR 17/05/2013 String 1 AND crowdsourcing OR experience centric network*) AND TS=(method OR

String 4 mechanism OR tool OR methodology OR technique) 5.117 arquivos TS=(user OR entit* OR people OR individual OR customer OR Data da busca: Estratégia 2: consumer) AND TS=(contribut* OR collaborat* OR peer-production OR 17/05/2013 String 2 AND knowledge acquisition*) AND TS=(new product idea* OR product String 4 concept* OR consumer requirement* OR product development*) AND 2.546 arquivos TS=(method OR mechanism OR tool OR methodology OR technique)

163

Tabela A.6. Resultado do teste de strings para a seleção de estratégia de busca na RBE (conclusão) Estratégia de Resultado da Strings busca busca TS=(suggestion box* OR advisory panel* OR virtual communities* OR web-based idea market* OR toolkits for user innovation* OR web-based patent market* OR marketing intelligence service* OR listening* OR Data da busca: Estratégia 3: web-based prototyping* OR virtual product testing* OR virtual 17/05/2013 String 3 AND marketing testing* OR web-based conjoint analysis* OR user design*

String 4 OR fast polyhedral conjoint estimation* OR FastPace OR virtual concept 60.196 arquivos testing* OR information pump* OR securities trading of concepts* OR community based innovation approach* OR netnography) AND TS=(method OR mechanism OR tool OR methodology OR technique)

Conforme referido na seção A.2, o teste das strings permitiu a identificação da melhor estratégia a adotar para a realização da RBE. As buscas deveriam permitir que os artigos inicialmente utilizados para a geração das palavras-chave fossem encontrados para um menor número de artigos obtidos na busca. Do teste das strings algumas conclusões foram obtidas: a) aplicando a estratégia 1, que utiliza como palavras-chave os rótulos nomeadores do fenômeno, foram obtidos 5.117 arquivos na busca, porém não foi encontrado o artigo de Dahan e Hauser (2002), selecionado na revisão inicial. Isso se deve ao fato dos autores Dahan e Hauser (2002) não utilizarem nenhum dos rótulos nomeadores do fenômeno utilizados na busca. Os autores referem termos como “customer interaction” ao invés de “customer integration”. A ausência de palavras na string, a exemplo da palavra interaction, fez com que este artigo não fosse encontrado na busca. b) aplicando a estratégia 2, que utiliza como palavras-chave rótulos obtidos a partir de definições para o fenômeno, foram obtidos 2.546 arquivos na busca, porém não foi encontrado o artigo dos autores Camarinha-Matos e Afsarmanesh (2008). Isso se deve ao frame semântico purpose, que limita as buscas a trabalhos que possuam termos relacionados ao desenvolvimento de produtos, seja no título, resumo ou palavras- chave. O trabalho de Camarinha-Matos e Afsarmanesh (2008) apresenta um modelo de referência genérico que pode ser aplicado em contextos de desenvolvimento de produtos, serviços e/ou pesquisas. c) aplicando a estratégia 3, que utiliza como palavras-chave rótulos nomeadores de ferramentas, foram obtidos 60.196 arquivos na busca, porém não foi encontrado o artigo de Camarinha-Matos e Afsarmanesh (2008). Isso se deve ao fato desse não apresentar um método em especial, mas um modelo de referência, denominado ARCON. 164

d) aplicando quaisquer das estratégias o artigo de Sawhaney, Verona e Prandelli (2005) não foi identificado, pois não encontrava-se disponível no sistema de busca do ISI WoS, já que o periódico do artigo possuía somente alguns volumes indexados na base. Assim, o teste das strings indicou que a segunda estratégia seria a mais eficiente, considerando o critério qualidade da resposta, no que concerne à obtenção dos artigos iniciais que desencadearam a busca, versus quantidade de artigos obtida. Na revisão bibliográfica estruturada realizada optou-se pela segunda estratégia.

A.6. Critérios de inclusão de artigos Na primeira triagem da revisão bibliográfica sistemática foram utilizados critérios genéricos e específicos de inclusão de artigos. Os critérios de inclusão genéricos objetivaram a seleção de artigos: CIG.1.1) classificados como documentos do tipo “article”, considerando que o propósito da busca foi identificar a existência de conhecimento consolidado relacionado ao tema “envolvimento virtual do consumidor no processo de desenvolvimento de produtos”; CIG.1.2) escritos em língua inglesa, considerando que é o idioma considerado padrão pelos principais periódicos indexados na base de dados ISI Web of Knowledge; CIG.1.3) artigos não classificados em áreas relacionadas a ciências puras, ou fundamentais, assim como periódicos relacionados a ciências aplicadas à saúde ou outros não correlatos ao tema. Os critérios de inclusão genéricos utilizados na primeira triagem da revisão bibliográfica foram aplicados previamente à leitura dos títulos, resumos e palavras-chave dos artigos identificados na busca. Os critérios de inclusão específicos tiveram por propósito a seleção de artigos baseada na relação entre o conteúdo apresentado no título, resumo e palavras-chave e o tema da pesquisa. Para a primeira triagem, os títulos, resumos e palavras-chave deveriam indicar que os artigos atendiam aos seguintes critérios de inclusão específicos: CIE.1.1) possuem como núcleo de conteúdo o tema “envolvimento do consumidor no processo de desenvolvimento de produtos”, i.e. “customer involvement”, considerando os termos user e consumer como equivalentes ao termo customer, e customer com o significado de consumidor final do produto, externo à organização. Assim como os termos individual, people e entity na acepção de customer estabelecida aqui. CIE.1.2) referem-se ao desenvolvimento de produtos classificados como bens de consumo semiduráveis. Portanto, foram excluídos:

165

. artigos que abordavam o envolvimento do consumidor no processo de desenvolvimento de alimentos representados, em especial, por trabalhos com aplicações de ferramentas para avaliação sensorial (sensory evaluation) de produtos por consumidores e geração de novas ideias de produtos; . artigos que abordavam o envolvimento do consumidor no processo de desenvolvimento de softwares ou sistemas, i.e., produtos finais intangíveis; . artigos que abordavam o envolvimento do consumidor no processo de desenvolvimento de bens de capital; e, . artigos que abordavam o envolvimento do consumidor no processo de desenvolvimento de serviços. Artigos que abordavam o tema “envolvimento do consumidor” em outros contextos, fora do escopo da pesquisa, foram excluídos, a exemplo de: . artigos que tratavam da influência do país de origem de determinado produto na percepção do consumidor no ato da compra. Esses estudos são associados a pesquisas de marketing sobre o tema Country-of-Origin (COO), e referem-se ao envolvimento do consumidor quanto a marcas e tipos de produtos durante o processo de compra, e não durante o processo de desenvolvimento do produto; . artigos que abordavam o envolvimento do consumidor no processo de desenvolvimento de produtos, para o caso em que o consumidor é uma organização. Este critério exclui, portanto, trabalhos cujo foco seja o envolvimento do fornecedor no processo de desenvolvimento de produtos, ou outro sponsor, que não seja o consumidor final com a acepção apresentada no critério CIE.1.1; . artigos que abordavam o envolvimento de equipes distribuídas, geograficamente dispersas, no processo de desenvolvimento de produtos, considerando que os envolvidos são integrantes da equipe de PDP da organização, ou outros agentes especializados contratados pela organização para apoiar o processo de desenvolvimento de produtos. Os trabalhos que atendiam a este critério, com frequência, tratavam de propostas e aplicações de ferramentas do tipo computer supported co-operative working (CSCW), standard for exchange of product model data(STEP), distributed collaborative system (DCS); . artigos que abordavam propostas e aplicações de sistemas de recomendação (recommendation systems) de produtos para obtenção do perfil de compra e envolvimento do consumidor no processo de compra em lojas online; e,

166

. artigos que abordavam o tema concurrent engineering no projeto de produtos com o apoio de múltiplos aliados, tais como fornecedores e outros agentes especializados. Na segunda triagem foram utilizados critérios de inclusão específicos para avaliar o conteúdo de artigos a partir da leitura integral. A leitura integral dos artigos deveria indicar que os trabalhos atendiam os seguintes critérios de inclusão específicos: CIE.2.1) apresentam e descrevem ferramentas (tools) que permitem a coleta sistemática e triagem das informações obtidas de consumidor para utilização no processo de desenvolvimento de produtos. Quando referido o termo tool é considerada a acepção proposta pelo PMI (2008), que considera tool “algo tangível, como um template ou programa de software, usado na performance de uma atividade para produzir um produto ou resultado”. Outros termos cujo significado contextual seja similar ao de tool convencionado, tais como os termos method, mechanism, methodology e technique, também devem ser considerados; CIE2.2) as ferramentas apresentadas e descritas, conforme critério específico de inclusão CIE.2.1, são estruturadas para interagir com o consumidor final, utilizando comunicação mediada por computador (CMC), aplicáveis pela Internet, com a definição de interface para captação de inputs.

167

Figura A.3. Resultado do teste de strings para a seleção de estratégia de busca na RBE

168

169

170

APÊNDICE B: Dimensões para caracterização do envolvimento virtual do consumidor

É proposta uma taxonomia para caracterizar/classificar as ferramentas de viabilização do envolvimento virtual do consumidor no processo de desenvolvimento de produtos. Foi elaborada utilizando uma mescla das classificações desenvolvidas pelos autores Kaulio (1998), Sawhaney, Verona e Prandelli (2005), Piller e Walcher (2006), Füller e Matzler (2007) e Bullinger e Moeslein (2010). As medidas caracterizadoras foram selecionadas com o propósito de indicar os pontos fortes e fracos das ferramentas avaliadas no que concerne à viabilização do envolvimento virtual do consumidor, e superação dos desafios, aqui, considerados: (1) envolvimento de consumidores com baixo grau de expertise nas fases iniciais do Processo de Desenvolvimento de Produtos; (2) aumento na continuidade, persistência, do envolvimento do consumidor; e, (3) triagem e síntese de grande volume de informações qualitativas obtidas de consumidores para utilização imediata pela equipe de projetos. A taxonomia está dividida em três dimensões, considerando: natureza do propósito (dimensão 1); natureza do input (dimensão 2); e, natureza do output (dimensão 3).

Dimensão 1: natureza do propósito A primeira dimensão caracteriza a natureza do propósito da ferramenta, considerando os aspectos nível de envolvimento proporcionado (D.1.1), frequência do envolvimento (D.1.2.) e fases do Processo de Desenvolvimento de Produtos em que permite o envolvimento (D.1.3). D.1.1) Nível de envolvimento. Indica o nível em que o consumidor participa efetivamente no Processo de Desenvolvimento de Produtos. Quanto menor o nível de envolvimento, menor a “ciência de participação” do consumidor no PDP. Uma classificação para o nível de envolvimento é dada por Kaulio (1998), em três níveis: (a) design for: quando não requisita do consumidor participação efetiva no processo de desenvolvimento de produtos. São obtidos dados secundários ou em formato de pesquisa de mercado, por exemplo. É indicada preferência sobre produtos pré-existentes, delineados o comportamento de compra e/ou estilo de vida do consumidor, para a obtenção de informações que orientarão o desenvolvimento de um produto. (b) design with: quando, além de utilizados dados secundários e informações sobre

171

preferências, comportamento de compra e estilo de vida, requisita a opinião do consumidor sobre propostas de soluções e conceitos de produtos em processo de desenvolvimento pela equipe de projeto. (c) design by: quando o consumidor é requisitado a participar como integrante da equipe de projetos, sugerindo ideias e conceitos de produtos, e em outras fases do PDP. Também denominado de envolvimento ativo do consumidor (FÜLLER; MATZLER, 2007). D.1.2) Frequência do envolvimento. Indica o nível de restrição temporal para a realização de uma ou mais tarefas, na interface do consumidor, provido pela ferramenta. Uma classificação para a frequência do envolvimento é apresentada em Füller e Matzler (2007), em dois níveis: (a) envolvimento pontual: quando ocasiona o envolvimento do consumidor para a realização de uma tarefa única, restrita temporalmente, i.e., com início e término pré-definidos. (b) envolvimento contínuo: quando ocasiona o envolvimento do consumidor para a realização de uma ou mais tarefas, por um prazo não previamente delimitado, permitindo o contato contínuo entre consumidor e empresa/equipe de projeto no processo de desenvolvimento de produtos. D.1.3) Fases do PDP em que permite o envolvimento. Indica a etapa do Processo de Desenvolvimento de Produtos em que as informações captadas pela ferramenta podem ser utilizadas, conforme sugerido pela literatura científica. Uma classificação das etapas do PDP em que as ferramentas podem ser aplicadas, conforme sugerido pelos autores Sawhney, Verona e Pradelli (2005), Prandelli, Verona e Raccagni (2006), Füller e Matzler (2007), em três níveis: (a) geração de ideias e conceitos (front-end): quando a ferramenta requisita informações para utilização nas fases iniciais do Processo de Desenvolvimento de Produtos, na geração de ideias ou conceitos. Nesta etapa, a equipe de projetos possui poucas informações sobre o produto, e as informações obtidas de consumidores, sejam ideias, conceitos ou outros tipos de inputs, auxiliarão no PDP, sendo refinadas ao longo do processo. (b) projeto e engenharia: quando a ferramenta requisita informações para utilização nas etapas de projeto e engenharia. Nesta etapa, a equipe de projetos já possui uma noção sobre possíveis características do produto, restrições de engenharia e impactos no preço (FÜLLER; MATZLER, 2007), de modo que o consumidor pode opinar considerando as configurações e características de produtos disponíveis. (c) teste e lançamento (back-end): quando a ferramenta requisita informações para utilização nas etapas de teste e lançamento do produto. Nesta etapa, o produto já está finalizado e o consumidor, atuando como usuário final ou comprador (FÜLLER; MATZLER, 2007), o

172

avalia fornecendo feedback à equipe de projeto, e.g., sugestões de melhoria, considerando aspectos como usabilidade e intenção de comprar e usar.

Dimensão 2: natureza do input A segunda dimensão caracteriza a natureza do input captado pela ferramenta. O input é obtido a partir da realização de uma ou mais tarefas pelo consumidor. Considera os aspectos nível de elaboração da tarefa (D.2.1) e especificidade da tarefa (D.2.2). D.2.1) Nível de elaboração da tarefa. Indica a qualidade, ou tipo, do input a ser fornecido pelo consumidor durante a realização da(s) tarefa(s) requisitada pela ferramenta (PILLER; WALCHER, 2006). Uma classificação é desenvolvida em três níveis, considerando os tipos de inputs requisitados pelas ferramentas obtidas da Revisão Bibliográfica Estruturada, descritas na Tabela 2.1, Capítulo 2: (a) descrição de ideias/conceitos/impressões: quando a ferramenta requisita/permite a tarefa de descrição de ideias/conceitos/impressões pelos consumidores, deixando-os expressarem sua criatividade. (b) configuração de produtos: quando a ferramenta requisita a tarefa de configuração de produtos, considerando módulos e características de produtos pré-existentes fornecidas pela ferramenta na interface acessada pelo consumidor. (c) avaliação utilizando escalas: quando a ferramenta requisita a tarefa de avaliação comparativa de ideias, conceitos e/ou produtos, assim como a indicação do nível de interesse e caracterização afetiva utilizando escalas numéricas. D.2.2) Especificidade de tarefa. Indica o nível de liberdade das soluções/informações providas pelo consumidor durante a realização da tarefa (PILLER; WALCHER, 2006). Uma classificação é dada por Piller e Walcher (2006), em dois níveis: (a) tarefa aberta ou de baixa especificidade: quando as soluções possíveis para o problema não são pré-definidas. (b) tarefa específica ou de alta especificidade: quando as soluções possíveis para o problema são pré-definidas.

Dimensão 3: natureza do output A terceira dimensão caracteriza a natureza do output gerado pela ferramenta. O output é gerado a partir do processamento das informações obtidas da realização de uma ou mais tarefas pelo consumidor. São utilizadas pela equipe de projetos para apoiar o processo de desenvolvimento de produtos. Considera os aspectos nível de conceptualização do output

173

gerado pela ferramenta (D.3.1) e nível de especificidade da tarefa para utilização das informações (D.3.2). D.3.1) Nível de conceptualização do output gerado pela ferramenta. Indica o nível de conceptualização, resultado do processamento das informações fornecidas pelos consumidores na realização da(s) tarefa(s). Representa a qualidade, ou o tipo, do output fornecido pela ferramenta para uso pela equipe de projetos no PDP. Uma classificação é desenvolvida em três níveis, considerando os tipos de outputs gerados pelas ferramentas obtidas da Revisão Bibliográfica Estruturada, descritas na Tabela 2.1, Capítulo 2: (a) descrição de ideias/conceitos: quando a ferramenta obtém como output ideias e conceitos desenvolvidos pelos consumidores durante a realização da tarefa. (b) produtos configurados/protótipos virtuais: quando a ferramenta obtém como output produtos ou mockups construídos pelos consumidores a partir de módulos e características de produtos pré-existentes fornecidas pela ferramenta para a realização da tarefa. (c) ranking/lista de preferências: quando a ferramenta obtém como output uma lista que sintetiza as preferências e interesses dos consumidores por produtos ou características de produtos. D.3.2) Nível de especificidade da tarefa para utilização das informações. Indica o nível de especificidade da tarefa realizada pela equipe de projetos, necessário para a imediata utilização no processo de desenvolvimento de produtos. É adaptada a classificação de Piller e Walcher (2006), em três níveis: (a) tarefa aberta ou de baixa especificidade: quando é requisitada análise qualitativa dos outputs gerados pela ferramenta, com a intenção de realizar a triagem das informações relevantes para a equipe de projetos. (b) tarefa específica ou de alta especificidade: quando é requisitada análise quantitativa dos outputs gerados pela ferramenta, com a intenção de realizar a triagem das informações relevantes para a equipe de projetos. (c) tarefa nula: quando os outputs gerados pela ferramenta podem ser utilizados diretamente, sem a realização de tratamento adicional das informações.

174

APÊNDICE C: Procedimentos utilizados para a definição do campo das propriedades em Sistemas de Engenharia Kansei

São revisados os procedimentos utilizados por pesquisadores na área de Engenharia Kansei, para a definição do campo das propriedades em Sistemas de Engenharia Kansei (SEK). Utiliza-se a base de artigos identificada em Silva e Amaral (2013), constituída por 116 artigos. Desses, são revisados os artigos que apresentam aplicações de Sistemas de Engenharia Kansei, um total de 58 artigos. Na Tabela A.1 é apresentada uma descrição do procedimento, com a indicação do objeto de avaliação (i.e. tipo de produto), quantidade de propriedades identificadas (i.e. itens/categorias)e quantidade de produtos representativos do domínio selecionadospara a síntese Kansei,em cada experimento descrito.

Tabela A.1. Lista de procedimentos para a definição do campo das propriedades em aplicações de SEK

(continua) Procedimento Referência O objeto de avaliaçãoé“cadeira de escritório”.O objeto de avaliação Jindo, Hirasago e Nagamachi (1995) é particionado em 44 itens e 337 categorias por especialistas (manufacturersspecializing in chairs), estas propriedades são reduzidas a 16 itens e 48 categorias, considerando propriedades que seriam distinguíveis a usuários comuns do produto.São selecionados30 produtos para o experimento. O objeto de avaliação é“interior de veículo/carro”.No artigo não é Tsuchiya et al. (1996) apresentado procedimento para definição do campo das propriedades. O objeto de avaliação é particionado em 62 itens (interior dimensionsof a vehicle), i.e. aspectos que poderiam influenciar no conforto de um veículo. São selecionados 20 produtos para representar as dimensões do interior de um veículo. São realizados quatro experimentos. No artigo não é apresentado Jindo e Hirasago (1997) procedimento para definição do campo das propriedades. São avaliadas partes do painel de veículo. No primeiro experimento o objeto de avaliação é “velocímetro”. O objeto de avaliação é particionado em 4 itens e 15 categorias. São criados 24 mockups digitais de velocímetros. No segundo experimento o objeto de avaliação é “leiaute de painel de veículo” (meter cluster layout). É enfocada a quantidade de medidores. O objeto de avaliação é particionado em 1 item e 6 categorias. São criados 6 mockups digitais de meter cluster layout. No terceiro experimento o objeto de avaliação é “leiaute de painel de veículo". São considerados leiautes disponíveis no mercado.O objeto de avaliação é particionado em 4 itens e 11 categorias.São selecionados 10 leiautes de painéis de veículos, mostrados em fotografias. No quarto experimento o objeto de avaliação é “volante de veículo”.O objeto de avaliação é particionado em 13 itens e 34 categorias. São selecionados 59 volantes de carros disponíveis no mercado. O objeto de avaliaçãoé “interior de veículo”. São coletados 20 Tanoue, Ishizaka e Nagamachi (1997) carros para o experimento. O objeto de avaliação é particionado em dois grupos de propriedades: design elements, contendo 9 partes, 32 itens e 82 categorias; e dimensional elements, contendo 5 partes, 54 itens e 216 categorias.

175

Tabela A.1. Lista de procedimentos para a definição do campo das propriedades em aplicações de SEK

(continuação) Procedimento Referência O objeto de avaliaçãoé “assento de motorista em máquinas- Nakada (1997) ferramenta para construção civil”.São coletados 56 exemplares de assentos de motorista em máquinas-ferramenta para o experimento. O objeto de avaliação é particionado em 30 itens e 98 categorias. As propriedades são reduzidas para 18 itens e 54 categorias, para a utilização da estatística multivariada. O objeto de avaliação é “telefone”. Os autores realizam uma Hsu, Chuang e Chang (2000) pesquisa em dois estágios. No primeiro estágio, são selecionados 30 aparelhos telefônicos, de um total de 50, por especialistas. Estes 30 aparelhos telefônicos são avaliados (utilizando escalas de aderência) por um conjunto de palavras Kansei previamente selecionadas, também por especialistas. Ao término da avaliação, é realizada análise de cluster com o propósito de reduzir palavras Kansei e exemplares de produtos representativos do domínio (é definido ponto de corte no dendograma). Assim, são selecionados, finalmente, 24 produtos representativos do domínio. No segundo estágio ocorre a etapa de síntese Kansei, na qual os exemplares de produtos (i.e. 24 produtos) são avaliados pelas palavras Kansei selecionadas (i.e., 14 pares de palavras). Diferente de outras aplicações de Sistemas de Engenharia Kansei, somente neste estágio é realizada a identificação dos itens/categorias do produto, com o uso da análise morfológica. São definidos 5 itens e 18 categorias. Depois de identificadas as propriedades do produto, e utilizando os resultados da segunda avaliação, os autores aplicam o método conjointanalysis para identificar o grau de importância das propriedades do produto. O objeto de avaliação é “estampa de tecido”. São coletados 168 Huang, Sobue e Chen (2003) exemplares de produtos representativos para o experimento. O objeto de avaliação é particionado em 3 itens: cor, textura e forma. São identificadas 364 categorias (dimensões) relacionadas a cor, 230 categorias (dimensões) relacionadas à textura e 400 categorias (dimensões) relacionadas à forma. As categorias são reduzidas, aplicando o método estatístico Principal ComponentAnalysis (PCA), para 30 categorias relacionadas à cor, 2 categorias relacionadas á textura e 15 categorias relacionadas à forma. O objeto de avaliação é“pintura a óleo”.São coletados 15 Huang et al. (2003) exemplares de produtos representativos para o experimento. O objeto de avaliação é particionado em 512 categorias (dimensões) para o item cor. As categorias são reduzidas, aplicando o método estatístico Principal ComponentAnalysis (PCA), para 9 categorias relacionadas à cor. O objeto de avaliação é “textura superficial do vidro em garrafas e Barnes et al. (2004) chapas com diferentes tratamentos”. São produzidas 15 chapas e 15 garrafas de vidro considerando uma faixa de propriedades (e.g. nível de rugosidade) pré-definida. O objeto de avaliação é“copo de vidro”. No artigo não é Petiot e Yannou (2004) apresentado procedimento para definição do campo das propriedades. O objeto de avaliação não é particionado em itens/categorias. São selecionados 15 copos de vidro.

176

Tabela A.1. Lista de procedimentos para a definição do campo das propriedades em aplicações de SEK

(continuação) Procedimento Referência O objeto de avaliação é “interruptor debalancim” (rocker switches). Schütte e Eklund (2005) Os autores dividem em três etapas. Na primeira etapa é realizada uma coleção extensiva de propriedades para o tipo de produtoavaliado, por designers, usuários experts e avançados. Na segunda etapaas propriedades, itens/categorias, são agrupadas utilizando diagrama de afinidade e selecionadas as mais importantes por especialistas das empresas envolvidas, considerando produtos reais disponíveis. O objeto de avaliação é particionado em 3 itens e 10 categorias. Na terceira etapa são selecionados 13 interruptores de balancim representativos das propriedades selecionadas. O objeto de avaliação é “centro de usinagem”. São selecionadas 68 Mondragon, Company e Vergara imagens de centros de usinagem em web sites de empresas. Os (2005) centros de usinagem selecionados são classificados conforme propriedadesestabelecidas (e.g. cor, disposição das partes, número de partes distinguíveis). O objeto de avaliação é particionado, de acordo com a apresentação nas imagens, em 8 itens. Do artigo não é possível identificar, com precisão, a quantidade de categorias definidas. São aplicados filtros para a redução do número de imagens/tipos de centros de usinagem, com o apoio de um especialista em máquinas e sistemas de manufatura.São excluídos os centros de usinagem com leiaute vertical e apresentados com porta fechada na imagem. São selecionados os centros de usinagem mais heterogêneos em termos de propriedades.Resultam 9 centros de usinagem(imagens) para a pesquisa. O objeto de avaliação é “carro de passeio”. São coletadas imagens Lai, Chang e Chang (2005) de carros de passeio, um total de 125.Essas imagens são avaliadas por6 especialistas para que possam definir os itens/categorias do produto. São definidos 13 itens variando em 3 categorias cada. São selecionados 27 produtos para representar o domínio utilizando o método orthogonalarray de Taguchi. O objeto de avaliação é“telefone celular”. Procedimento é realizado Lai, Lin e Yeh (2005) em 9 etapas: (1) são selecionados 54 telefones celulares de vários fabricantes e modelos, sendo 30 telefones utilizados em pesquisas anteriores dos mesmos autores (12; 15) e 24 inseridos no mercado no período de 2000-2001; (2) os 54 aparelhos celulares são representados em papercards, em tamanho real; (3) são agrupados por grau de similaridade, por 15 especialistas, aplicando o método KJ; (4) é construída matriz de similaridade; (5) a matriz de similaridade é transformada em matriz de dissimilaridade; (6) é aplicado o método multidimensional scaling (MDS); (7) são selecionadas seis dimensões, considerando as medidas S-stress e RSQ; (8) é aplicada a análise de cluster com base nos resultados da análise MDS; (9) são selecionados 33 produtos representativos do domínio, dos quais 5 são escolhidos para testar o modelo estruturado no artigo. Especialistas aplicam o método da Análise Morfológica para identificação das propriedades do produto, primeiro individualmente e, depois, emconjuntamente (focusgroup). São identificados 9 itens e 27 categorias. O objeto de avaliação é“sapato infantil”. São selecionados 29 Nagamachi, Okazaki e Ishikawa (2006) sapatos infantis de 5 fabricantes. O objeto de avaliação é particionado em itens/categorias.No artigo não são referidas as propriedades definidas.

177

Tabela A.1. Lista de procedimentos para a definição do campo das propriedades em aplicações de SEK

(continuação) Procedimento Referência O objeto de avaliação é “embalagem de creme hidratante”. São Henson et al. (2006) utilizadas técnicas como grupos focais e vídeo etnografia para identificar propriedades do produto mais relevantes. Produtos (stimuli) são selecionados utilizando mapeamento semântico (semantic grid technic), por consumidores-alvo. Não está explícito no texto a quantidade de produtos representativos do domínio, nem os itens/categorias definidos. O objeto de avaliação é“sapato”. As propriedades são identificadas vanLottum, Pearce e Coleman (2006) por especialistas, a partir da análise de catálogos e fotos do produto. As propriedades são reduzidas. São selecionadas imagens de produtos, considerando as propriedades selecionadas. Os produtos apresentados em termos de imagens são reduzidos utilizando o método fractionalfactorial design layout, com a intenção de obter o melhor balanceamento de propriedades no conjunto de produtos representativos do domínio selecionado. Apresenta um exemplo no qual são identificados 10 itens e 24 categorias, eselecionadas 100 imagens de produtos representativos do domínio. O objeto de avaliação é“telefone celular”. Não apresenta um Jiao, Zhang e Helander (2006) procedimento para a definição do campo das propriedades. Apresenta um exemplo de aplicação. O objeto de avaliação é“beneficiamento de grãos de café”. Os Nishino, Nagamachi e Tanaka (2006) produtos representativos do domínio são definidos por especialistas. O café beneficiado é caraterizado usando 2 itens e 6 categorias. São selecionados 9 tipos café, segundo tipo do grão e beneficiamento. O objeto de avaliação é“telefone celular”. Os autores definem as Lai et al. (2006) propriedades do produto em duas partes. Na primeira parte são extraídas propriedades relacionadas à forma do produto, um processo em 9 etapas: (1) seleção de 30 telefones celulares de vários fabricantes inseridos no mercado no período de 1999-2001; (2) elaboração de cartões, em tamanho real, com a representação dos telefones celulares selecionados; (3) agrupamento dos cartões por similaridade, aplicando o método KJ, segundo a referência de Cross (1994), segundo a opinião de 15 especialistas; (4) construção de matriz de similaridade; (5) conversão da matriz de similaridade em uma matriz de dissimilaridade; (6) utilização do método de análise multipledimensionscaling (MDS); (7) seleção de 5 dimensões, a partir da análise MDS, considerando as medida S- stress e coeficiente de correlação quadrado (RSQ), i.e., quanto menor o S-stress e/ou maior o RSQ, melhor o ajuste, referência (HAIR et al., 1995); (8) aplicação da análise de cluster com os valores da análise MDS, para identificação dos centroides; (9) utilização dos centroides como produtos representativos do domínio Kansei, no caso resultaram em 4 produtos (centroides).

178

Tabela A.1. Lista de procedimentos para a definição do campo das propriedades em aplicações de SEK

(continuação) Procedimento Referência Na segunda parte são extraídas propriedades relacionadas à cor dos Lai et al. (2006) produtos, um processo em 3 etapas: seleção de um sistema de cor, no caso é escolhido o sistema da CommissionInternational de l’Eclairage (CIE), que é composto por 3 itens, i.e. lightness, chroma, hue, divididos em 3, 3 e 8 categorias respectivamente, possibilitando 72 cores representativas do domínio a serem aplicadas a cada um dos telefones celulares selecionados na primeira parte da pesquisa. Esta combinação origina 288 (= 72 x 4) exemplares de produtos representativos do domínio. Os exemplares de produtos são avaliados utilizando 3 pares de palavras Kansei. Não apresenta procedimento para a definição do campo das Chang, Lai e Chang (2006) propriedades. O objeto de avaliação é“rugosidade de materiais plásticos”. Este Choi e Jun (2007) trabalho não apresenta procedimento para a seleção dos produtos representativos do domínio. São escolhidas 4 amostras de material plástico com superfícies de diferentes rugosidades. O objeto de avaliação é“embalagem para produtos de limpeza”. Delin et al. (2007) Não é apresentado um procedimento para a definição do campo das propriedadesou para a seleção dos produtos representativos do domínio. São escolhidos 10 produtos representativos do domínio. O objeto de avaliação é“prédio urbano”. São considerados os Llinares e Page (2007) prédios recém-construídosna cidade de Valencia. Não é apresentado procedimento para definição do campo das propriedades, e seleção dos produtos representativos do domínio. São selecionadas 112 construções. O objeto de avaliação é“telefone celular”. São coletadas Barone, Lombardo e Tarantino (2007) propriedades do produto e reduzidas utilizando diagrama de Pareto. São selecionados 8 produtos representativos do domínio aplicando o método fractionalfactorial design. São definidos 6 itens e 12 categorias. O objeto de avaliação é“telefone celular”. São coletados 100 Lin, Lai e Yeh (2007) telefones celulares no mercado, de várias marcas e modelos, inseridos no mercado no período de 1999-2001. Estes, são representados, em tamanho real, em papercards. Os produtos são separados por grau de similaridade aplicando o método KJ, por 15 usuários, resultando em uma matriz de similaridade. A matriz de similaridade é convertida em matriz de dissimilaridade para análise utilizando o método multipledimensionscaling (MDS). As variáveis S-stress e RSQ permitem a seleção de dimensões do produto, as quais são utilizadas para a extração de produtos representativos do domínio, aplicando a análise de cluster. São escolhidos os produtos centroides dos clusters obtidos na análise de cluster, i.e., os mais dissimilares. Neste caso, são identificados 33 celulares representativos do domínio. São identificadas, então, as propriedades do produto aplicando Análise Morfológica, por um grupo de 5 especialistas. A identificação das propriedades do produto ocorre, num primeiro momento, individualmente e, em seguida, é realizado um focusgroup para a combinação dos resultados. São identificados 9 itens e 27 categorias.

179

Tabela A.1. Lista de procedimentos para a definição do campo das propriedades em aplicações de SEK

(continuação) Procedimento Referência O objeto de avaliação é“estrutura de bairro”,na cidade de Valencia. Llinares e Page (2008) Não é apresentado um procedimento para a definição do campo das propriedades, pois os “produtos” não são descritos em termos de atributos e valores de atributos. Não é apresentado procedimento para seleção dos produtos representativos do domínio. São selecionadas 74 imagens de diferentes bairros na cidade de Valencia. O objeto de avaliação é“telefone celular”. São identificadas Chen e Chuang (2008) propriedades do produto com base em revisão na literatura para compreensão prévia do produto do domínio. Posteriormente, coletados produtos existentes no mercado. 6 especialistas realizam a extração de propriedades utilizando o método de Análise Morfológica (ZWICK, 1967). São identificados 10 itens, dos quais 9 variam considerando 4 categorias, e 1 varia em 2 categorias. As combinações de produto são selecionadas a partir das propriedades identificadas utilizando o método orthogonalarray de Taguchi. São selecionados 32 produtos representativos do domínio. O objeto de avaliação é“folha de ouro Kanazawa”. Não apresenta Yan et al. (2008) um procedimento para a definição do campo das propriedades. Não são definidos itens/categorias. São selecionados 30 produtos representativos do domínio. O objeto de avaliação é“câmerafotográfica digital”. São Chang (2008) selecionadas 48 câmeras fotográficas digitais. É requisitada a 20 estudantes de graduação, com expertise em design industrial uma tarefa de agrupamento hierárquico dos produtos selecionados. No agrupamento hierárquico, individualmente, os estudantes devem dividir as câmeras em 2 grupos, formando o nível 1, sendo um dos grupos representado pelas câmeras consideradas mais “confortáveis” e o outro pelas menos “confortáveis” visualmente. Os 2 grupos formados são divididos, cada um, em dois novos grupos, resultando em 4 grupos, nível 2, seguindo a mesma regra anterior. E, por fim, cada um dos 4 grupos em 2 novos grupos, resultando em 8 grupos, nível 3. A partir desses agrupamentos é elaborada uma matriz de similaridade (48x48), na qual há a seguinte atribuição de valores: (1) dois produtos idênticos possuem nível de similaridade com o valor máximo, 1; (2) dois produtos completamente diferentes, i.e., não pertencentes ao mesmo grupo em nenhum dos níveis, possuem nível de similaridade com valor mínimo, 0; (3) dois produtos pertencentes ao mesmo agrupamento no nível 3 da árvore hierárquica, possuem nível de similaridade igual a 0.75; (4) dois produtos pertencentes ao mesmo agrupamento no nível 2 da árvore hierárquica, porém não pertencentes ao mesmo agrupamento no nível 3, possuem nível de similaridade 0.50; (5) dois produtos pertencentes ao mesmo agrupamento no nível 1 da árvore hierárquica, porém não pertencentes ao mesmo agrupamento no nível 2, possuem nível de similaridade 0.25. As médias dos pesos de similaridade obtidos dos entrevistados (estudantes) são calculadas e analisadas utilizando análise de cluster. São selecionados 20 produtos representativos do domínio. Não são identificados itens/categorias do produto.

180

Tabela A.1. Lista de procedimentos para a definição do campo das propriedades em aplicações de SEK

(continuação) Procedimento Referência O objeto de avaliação é“assoalho de madeira”. São coletadas Nordvik, Schütte e Broman (2009) propriedades, i.e. itens/categorias, do produto a partir de material inspiradores de uma diversidade de fontes, tais como sites de empresas, catálogos de fabricantes, por exemplo. Essas propriedades são reduzidas pela seleção das mais importantes, de forma manual. Por fim, são selecionados produtos representativos do domínio. Utiliza o método descrito em Schütte (2002). São selecionados 8 produtos representativos, em fotos, que representam 4 atributos e 8 valores de atributos. O objeto de avaliação é“torneira para cozinha”. Identifica Demirtas, Anagun e Koksal (2009) propriedades do produto com base nas sugestões de Schütte (2002), i.e., a partir de documentos relacionados ao produto, manuais, entrevistas com especialistas e usuários experientes. São identificados 9 itens e 19 categorias. Aplica o método orthogonalarray de Taguchi para identificar a combinação de produtos representativos do domínio. São identificados 38 produtos representativos do domínio. O objeto de avaliação é“ícone de máquina digital”. Inicialmente, Tung, Guan e Hsieh (2009) são selecionados ícones de máquinas digitais e definidas suas propriedades, itens e categorias. Ícones são definidos aplicando o método orthogonalarray de Taguchi. São selecionados 9 produtos (ícones) representativos do domínio, variando em 8 cores (i.e., 72 variações de ícones). Definidos 4 itens e3categorias para cada item. Não descreve o processo para a definição do campo das Bahn et al. (2009) propriedades, porém sugere a identificação a partir de três fontes: revisão de literatura, entrevista do tipo focusgroup, opinião de painel de especialistas. Para a seleção dos produtos representativos do domínio sugere o uso do método de Planejamento de Experimentos, Design ofExperiments (DOE). Aplica três estudos de caso. No primeiro, oobjeto de avaliação é“crash pad de veículo”. São selecionados 3 itens e 15 categorias. A quantidade de produtos representativos do domínio não está explicitada no texto.No segundo, oobjeto de avaliação é“revestimento interno de veículo (wallpaper)”. São selecionados 4 itens e 12 categorias. A quantidade de produtos representativos do domínio não está explicitada no texto. No terceiro, oobjeto de avaliação é“revestimento interno de veículo (flooring)”. São selecionados 5 itens e 10 categorias. A quantidade de produtos representativos do domínio não está explicitada no texto. O objeto de avaliação é“garrafa de bebida”. Define conceitos e Barnes e Lillford (2009) propriedades de produtos aplicando o método mood-board. Determina o grau de importância e seleciona as propriedades mais relevantes utilizando os métodos semanticmaps e semanticdifferentialsurvey (e.g. repertory grid technique). Seleciona produtos e propriedades representativos do domínio aplicando o método factorial experimental design. Apresenta um exemplo no qual são identificados 7 itens e 15 categorias. São identificados 15 produtos representativos do domínio.

181

Tabela A.1. Lista de procedimentos para a definição do campo das propriedades em aplicações de SEK

(continuação) Procedimento Referência O objeto de avaliação é“telefone celular”. O objeto de avaliação é Kuang e Jiang (2009) particionado em 5 itens e 25 categorias. É aplicado método orthogonalarray de Taguchi para a definição dos produtos representativos do domínio. São gerados 16 produtos. Não apresenta procedimento para a definição do campo das Zhai, Khoo e Zong (2009) propriedades. O objeto de avaliação é“porcelanaKutani”. Não é apresentado Huynh, Yan e Nakamori (2010) procedimento para a definição do campo das propriedades ou para a seleção dos produtos representativos do domínio. São selecionados 30 padrões (tipos) de porcelanas Kutani. Os 30 padrões de porcelanas são as categorias para o único item avaliado no trabalho. O objeto de avaliação é“sala de estudo/aula”. O campo das Erdogmuse Koç (2011) propriedades é definido conforme Schütte e Eklund (2005), i.e., a partir de documentos técnicos, entrevistas com especialistas, e outras literaturas. Contudo, neste trabalho, não é apresentado um procedimento para a seleção das propriedades do produto, itens/categorias. São selecionados nove objetos que compõem um ambiente de sala de aula (e.g., carteira do estudante, cortinas, iluminação). O objeto de avaliação é“serviço em hotel de luxo”. Inicia com a Hartono e Chuan (2011) coleta de propriedadesrelacionadas a serviços, que são classificadas e selecionados utilizando análise por frequência, diagrama de Pareto e modelo de Kano. É definido 1 hotel no qual é avaliada a qualidade de 39 serviços. O objeto de avaliação é“estande para feiras de negócios”. São Huang, Tsai e Huang (2011) identificados produtos representativos do domínio por especialistas. Não são definidos itens/categorias. São selecionados 6 estandes para feiras de negócios. O objeto de avaliação é“câmera digital”. São selecionados produtos Yang (2011a) representativos do domínio no mercado, 100 produtos. Não informasobre procedimentopara a identificaçãodos itens/categorias do produto. O objeto de avaliação é particionado em 15 itens e 67 categorias. Os produtos são selecionados randomicamente para as avaliações, de modo que cada entrevistado avalia ¼ dos produtos, utilizando palavras Kansei, na etapa de síntese. O objeto de avaliação é“telefone celular”. São coletados 69 Yang (2011b) aparelhos de telefones celulares no mercado (marketplace). Aplicando o método da análise morfológica, citando Jones (1992), são identificados itens discretos (8) e contínuos (4). Os itens discretos são divididos em 27 categorias. Cada entrevistado, na fase de síntese Kansei, avalia 1/3 dos produtos representativos do domínio, que são selecionados aleatoriamente, com o propósito de reduzir os erros sistemáticos.

182

Tabela A.1. Lista de procedimentos para a definição do campo das propriedades em aplicações de SEK

(continuação) Procedimento Referência O objeto de avaliação é“estratégia de investimento no mercado de Pham et al. (2011) ações”. Não é apresentado procedimento para definição do campo das propriedades. São apresentados 23 fatores significativos para o mercado de ações. O artigo avalia 8 empresas representantesdo domínio. O objeto de avaliação é “display de veículo (HUD)”. O Smith e Fu (2011) procedimento é dividido em dois estágios. No primeiro estágio são coletadas imagens de HUD existentes no mercado, videogames, revistas, websites. São definidos 6 modelos de HUDe redesenhados com base nas imagens coletadas. Este primeiro grupo de imagens de HUD é aplicado para permitir a redução das palavras Kansei previamente selecionadas (32 pares de palavras Kansei), aplicando um surveyinicial. No segundo estágio, dos 6 modelos de HUD são extraídas (priorização e redução) as propriedades consideradas mais relevantes pelos pesquisadores, 6 itens e 16 categorias. Aplicando o método orthogonalarray são selecionadas as combinações itens/categoria de HUD. As combinações de HUD selecionadas são desenhadas (18 modelos de HUD) para utilização na etapa de síntese Kansei. O objeto de avaliação é “furadeira elétrica” Huang, Chen e Khoo (2012a) (batterydrill).Inicialmente é coletada uma grande quantidade de exemplares de produtos. Estes exemplares de produtos podem ser produtos reais, adquiridos em lojas, ou modelos virtuais, desenhados de forma realística de produtos ideais ou inexistentes. A partir dos produtos selecionados, são definidos os atributos do produto, por designers ou pesquisadores Kansei. Depois de definidos os atributos e valores de atributos, são coletados exemplares reais de produtos representativos do domínio. São utilizados 13 furadeiras elétricas, para representar 7 itens e 21 categorias. O objeto de avaliação é “frasco de perfume”. O procedimento para Huang, Chen e Khoo (2012b) seleção das propriedades do produto é similar ao realizado em Huang, Chen e Khoo (2012a). São selecionados 15 produtos representativos do domínio, com a consulta a especialistas da indústria de perfume. Os produtos não são segmentados em itens/categorias. O objeto de avaliação é“music hall” (e.g., teatros, casas de ópera) Galiana, Llinares e Page (2012) na Espanha. Não é apresentadoparticionamento em itens/categorias. Os “produtos” representativos do domínio são escolhidos de acordo com a distribuição geográfica, ano de construção, por exemplo. São selecionadas 17 music halls.

183

Tabela A.1. Lista de procedimentos para a definição do campo das propriedades em aplicações de SEK

(continuação) Procedimento Referência O objeto de avaliação é“design externo de carro”, com enfoque na Luo, Fu e Zhou (2012) adequação entre a forma lateral de carros e a aparência de calotas de veículos. O campo das propriedades é definido por uma equipe de especialistas, que seleciona 6 modelos de carros (de um total de 83) e 20 modelos de calotas (de um total de 92). São definidas as propriedades do produto “calota”, somente. As calotas são particionadasem 4 itens e 10 categorias. O objeto de avaliação é“xícara artesanalKutani”. Não é apresentado Yan, Huyin e Nakamori (2012) procedimento para definição do campo das propriedades e seleção dos produtos representativos do domínio. São selecionados 35 xícaras artesanais. O objeto de avaliação não é particionado em itens/categorias. O objeto de avaliação é“telefone celular”. São selecionados Yang e Chang (2012) produtos representativos do domínio no mercado e reduzidos utilizando o método KJ, por especialistas. Não são definidos itens/categorias. São selecionados 12 telefones celulares. O objeto de avaliação é“garrafa para bebida”. São coletadas Luo, Fu e Korvenmaa (2012) garrafas no mercado. Especialistas e consumidores agrupam os produtos selecionados em 6 categorias. São selecionados 60 tipos de garrafas. O objeto de avaliação é“telefone celular”. A definição do campo Lin et al. (2012a) das propriedades é realizada em três partes. Na primeira parte, 9 especialistas (pessoas com conhecimento na área de design) selecionam exemplares de telefones celulares, 100 telefones de diferentes marcas e modelos. Na segunda parte, os telefones com conotações afetivas similares são agrupados. Para isso, os celulares são representados por cartões numerados. Os dados do agrupamento são convertidos em distâncias. A distância entre dois telefones celulares é definida como um número real, sendo 0 ou 1. Telefones em um mesmo grupo possuem distância 0 entre si, enquanto telefones em grupos distintos, possuem distância 1 (ver referência (HSIA; CHEN, 2006). É aplicado o método de cluster baseado em classificação (grading-basedclusteringmethod) para obter os agrupamentos de produtos similares. Depois, são selecionados os produtos representativos do domínio Kansei, no caso 20 produtos. Por fim, na terceira parte são definidas as propriedades do produto, por três especialistas em design e em interface humana. É aplicado do método de decomposição de HIEspara a identificação das propriedades do produto.

184

Tabela A.1. Lista de procedimentos para a definição do campo das propriedades em aplicações de SEK

(continuação) Procedimento Referência Este método é dividido em 6 etapas: (1) os elementos dos aparelhos Lin et al. (2012a) celulares são divididos em dois tipos, elementos de interface de hardware e software; (2) os elementos de interface de hardware são divididos em componentes funcionais (i.e., componentes que não possuem funções de entrada e saída de informações) e não- funcionais (i.e., componentes que realizam a entrada e saída de informações); (3) os componentes funcionais são classificados em componentes de entrada e componentes de saída; (4) os componentes não-funcionais, componentes de saída e de entrada são divididos em elementos considerando os canais visual, auditivo, táctil, olfativo multissensorial; (5) os elementos de interface de software não são divididos, sendo considerado somente os elementos relacionados ao canal visual; (6) são selecionados os elementos correlacionais que exercem influência nas funções, i.e., elementos que resultam da combinação dos outros elementos previamente identificados (e.g., proporção entre largura e altura do display, elemento que correlaciona os elementos visuais largura e altura, e influencia no estilo do produto). São identificados 90 itens. O objeto de avaliação é “telefone celular”. Aplicando o módulo Shi, Sun e Xu (2012) WEB-basedFeatureExtraction (WFE), são obtidos exemplares de produtos representativos do domínio. É aplicado o método multimensionalscaling (MDS) para a identificação do nível de similaridade e dissimilaridade entre os produtos, e o método hierarchical clustering para a definição dos produtos representativos do domínio. As propriedades do produto são identificadas utilizando o método Análise Morfológica. Os valores de quantidades de produtos selecionados e propriedades definidas são hipotéticos, escolhidos com a intenção de explicar o modelo de síntese Kansei proposto pelos autores. O objeto de avaliação é“PDA”. São coletados no mercado 88 PDAs Lin et al. (2012b) e classificados por grau de similaridade. É realizado um focus group com 6 usuários com, no mínimo, dois anos de experiência utilizando PDAs. A partir do focus group são eliminados os PDAs com elevado grau de similaridade. É aplicado o método de análise de cluster k-means para extrair produtos representativos do domínio. São selecionados 30 PDAs, dos quais seis são utilizados para testar os modelos quantitativos elaborados na pesquisa. As propriedades do produto são identificadas a partir dos 30 PDAs utilizando o método da Análise Morfológica, pelos 6 usuários citados. São identificados 6 itens e 19 categorias. O objeto de avaliação é“sapato”. Não é apresentado procedimento Pearce e Coleman (2013) para definição do campo das propriedades. São selecionados 27 produtos representativos do domínio. Não são definidos itens/categorias para o produto.

185

Tabela A.1. Lista de procedimentos para a definição do campo das propriedades em aplicações de SEK

(conclusão) Procedimento Referência O objeto de avaliação é“sistema de telecomunicação multimídia Noh, Park e Park (2013) (STM)”. Aplica o método focusgroup interview com participantes de programas de aprendizagem a distância para identificar problemas relacionados a sistemas de telecomunicação multimídia. A partir dos problemas identificados, e do auxílio de especialistas, são identificadas propriedades relacionadas a STM. São selecionados 3 itens e 7 categorias. Da combinação entre as propriedades são definidos 12 STM. O objeto de avaliação é“chá engarrafado”. Não é apresentado Kim et al. (2013) procedimento para a definição do campo das propriedades. São selecionados 12 produtos representativos do domínio, a partir da determinação de 4 itens e 12 categorias.

186

APÊNDICE D: Algoritmo para a definição do campo das propriedades em aplicações de Sistema de Engenharia Kansei utilizando inputs de consumidores em loja virtual

A Tabela D.1 apresenta o algoritmo para a definição do campo das propriedades em aplicações de Sistema de Engenharia Kansei proposto na Tese, descrito no Capítulo 5. Utiliza para a análise de cluster k-médias, códigos das linhas 49 a 52, a macro nan_kmeans do recurso NaN-Toolbox, cujo algoritmo é apresentado no Anexo D. Foi desenvolvido, em adição, o algoritmo para a função coeficiente de correlação de Pearson, apresentado na Tabela D.2.

Tabela D.1. Algoritmo proposto para a definição do campo das propriedades utilizando inputs de consumidores em loja virtual (continua)

1. //Algoritmo para a definição do campo das propriedades em aplicações de Sistema de Engenharia 2. Kansei utilizando recomendações de site de compras 3. 4. //Leitura das matrizes , matriz de acessos (M2.txt) e MP, matriz de produtos (M1.txt). A primeira 5. matriz contém o número de acessos de usuários/consumidores às páginas dos produtos (ação 1), do 6. carrinho de compras (ação 2) e efetivação de compra (ação 3) - sendo uma matriz de dupla entrada. 7. usuários/consumidores versus ações (1. 2 e 3) por produto; A segunda, contém a lista de produtos 8. versus propriedades (itens/categorias), i.e.. utilizando variáveis dummy para indicar a ausência ('0') ou 9. presença('1') de determinado conjunto item/categoria para cada produto. 10. A=fscanfMat("M2.txt") 11. MP=fscanfMat("M1.txt") 12. 13. //Atribuição de valores de pesos para as ações: W1 peso da ação 1; W2 peso da ação 2; e. W3. peso da 14. ação 3. Nesta simulação foram atribuídos os valores W1 =0.2, W=0.3 e W3=0.5. considerando que a 15. ação 3, que indica a compra de um dado produto, deve possuir um peso maior que as ações de envio 16. para o carrinho de compras e visualização da página do produto. Esses valores devem ser atribuídos a 17. critério do pesquisador. 18. W1=0.2; 19. W2=0.3; 20. W3=0.5; 21. 22. //Criação da matriz , que estabelece uma avaliação indireta para os produtos, como resultado do 23. somatório da multiplicação dos acessos (ação 1. ação 2 e ação 3) pelos pesos (W1. W2 e W3) por 24. produto para cada usuário/consumidor. A matriz é, portanto, uma matriz usuário/consumidor 25. 26. versus produto, na qual as celulas são preenchidas com o que se denominou de avaliações indiretas. 27. P=[]; 28. i=1; 29. while i <= size(A.2) 30. P=[P A(:.i)*W1+A(:.i+1)*W2+A(:.i+2)*W3] 31. i=i+3 end

187

Tabela D.1. Algoritmo proposto para a definição do campo das propriedades utilizando inputs de consumidores em loja virtual (continuação) 32. //Execução da multiplicação entre as matrizes e MP. A contém as avaliações indiretas de 33. usuários/consumidores versus produtos; a MP, matriz de produtos versus atributos. A multiplicação 34. resulta na matriz , que traduz as avaliações indiretas para o nível das propriedades 35. (itens/categorias). Esta matriz relaciona as avaliações indiretas de usuários/consumidores versus 36. propriedades dos produtos. 37. C=P*B 38. 39. //atribuição de valor para a quantidade de clusters/agrupamentos desejados (nc), i.e., agrupamentos de 40. usuários/consumidores com preferências similares. Este valor pode ser estabelecido da aplicação do 41. método estatístico hierárquico Ward, calculado neste algoritmo, ou partir de um "chute" do 42. pesquisador. 43. d=nan_pdist(C) 44. z=nan_linkage(d) 45. dendrogram(z) 46. nc = input("qual o número de clusters escolhido?") 47. //Cálculo da análise de cluster não-hierárquica k-médias (k-means). Esta análise obtém como resultado 48. as matrizes MKM e ctrs. A matriz MKM contém a matriz com a indexação de um vetor coluna 49. (idx') que indica o cluster cujo usuário/consumidor pertence; a matriz MC contém os centróides de 50. cada cluster, posicionados em ordem crescente na matriz, conforme o número do cluster. 51. [model.idx]=nan_kmeans(C.nc); 52. idx = idx'; 53. MKM =[C idx] 54. ctrs=model.X; 55. MC = ctrs; 56. //Criação da matriz MCL que contém os usuários/consumidores da matriz MKM ordenados por cluster; 57. criação do vetor coluna VPC, que indica a posição dos usuários/consumidores depois de reordenados 58. na matriz MCL; e, criação do vetor coluna VNC que indica a quantidade de usuários em cada cluster. 59. MCL=[] 60. VPC=[] 61. VNC=[] 62. for j=1:nc; 63. Soma=0 64. for i=1:size(MKM.1); 65. if MKM(i.size(MKM.2))==j then 66. MCL = [MCL;MKM(i.:)] 67. VPC = [VPC;i] 68. Soma = Soma + 1 69. end 70. end 71. VNC =[VNC;Soma] 72. end 73. //Cálculo da correlação entre os centróides, cadastrados na matriz MC, e os usuários/consumidores dos 74. cluster identificados, cadastrados na matriz MCL. utilizando o coeficiente de correlação de Pearson. Os 75. valores de correlação são cadastrados no vetor coluna VPEAR, que indica, para cada linha a 76. correlação, a correlação entre o usuário/consumidor e o centróide do cluster ao qual está atribuído. 77. MCL(:.size(MCL.2))=[]; 78. SOMAVNC=0 79. VPEAR = [] 80. for j=1:nc; 81. for i=SOMAVNC+1:SOMAVNC + VNC(j) 82. Pearson(MCL(i.:).MC(j.:)) 83. VPEAR = [VPEAR;Pearson(MCL(i.:).MC(j.:))] 84. end 85. SOMAVNC = SOMAVNC + VNC(j) 86. End 87.

188

Tabela D.1. Algoritmo proposto para a definição do campo das propriedades utilizando inputs de consumidores em loja virtual (continuação) 88. //Cálculo da correlação entre os usuários/consumidores, cadastrados na matriz MCL, e os produtos, 89. cadastrados na matriz , utilizando o coeficiente de correlação de Pearson. Estes valores de 90. correlação são cadastrados temporariamente no vetor coluna VPEAR2 e formam a matriz MPEAR, 91. que indica a correlação entre usuários/consumidores e produtos. 92. 93. MPEAR=[]; 94. 95. for i =1:size(MCL.1); 96. VPEAR2=[]; 97. for k=1:size(B.1) 98. Pearson(MCL(i.:).B(k.:)) 99. VPEAR2 = [VPEAR2;Pearson(MCL(i.:).B(k.:))] 100. end 101. MPEAR = [MPEAR VPEAR2] 102. end 103. 104. //Geração da matriz MRANK, que contém os escores finais, consolidação das avaliações indiretas, de 105. produtos para cada cluster. Para tanto, é gerada uma matriz intermediária MESC, que resulta da 106. multiplicação entre os valores de correlação de usuários/consumidores e produtos, contidos na matriz 107. MPEAR, e os valores de correlação entre usuários/consumidores e centróide, contidos no vetor coluna 108. VPEAR, para cada cluster. A matriz MRANK está estruturada de modo que as linhas indiquem os 109. produtos e as colunas os clusters, nas células são cadastrados os escores de avaliação dos produtos. 110. Com a intenção de permitir a identificação dos produtos, é indexada uma coluna para cada cluster, 111. com a numeração atribuída a cada produto, captada da ordem inicial da matriz . 112. 113. 114. SOMAVNC=0 115. 116. MESC=[] 117. 118. for j=1:nc; 119. MESC = [MESC MPEAR(1:size(MPEAR.1).SOMAVNC+1:SOMAVNC + 120. VNC(j))*VPEAR(SOMAVNC+1:SOMAVNC + VNC(j))] 121. SOMAVNC = SOMAVNC + VNC(j) 122. end 123. 124. MRANK=[]; 125. VPRANK =[]; 126. for i=1:size(MESC.1); 127. VPRANK=[VPRANK;i]; 128. end 129. 130. for j=1:nc; 131. MRANK=[MRANK MESC(:.j) VPRANK] 132. End

189

Tabela D.1. Algoritmo proposto para a definição do campo das propriedades utilizando inputs de consumidores em loja virtual (continuação) 133. //Reordena a matriz MRANK com a intenção de ranquear, em ordem decrescente, os produtos, de 134. acordo com os escores finais de avaliação, para cada cluster. 135. temp=0; 136. for j=1:2:size(MRANK.2); 137. TROCA=%t; 138. while (TROCA==%t); 139. TROCA=%f 140. for i=1:size(MRANK.1)-1; 141. if MRANK(i.j)

190

Tabela D.1. Algoritmo proposto para a definição do campo das propriedades utilizando inputs de consumidores em loja virtual (continuação) 184. VetorRe =[]; 185. ValorRaizRe=[]; 186. for i=1:size(Vetor,2) 187. if isreal(Vetor(:,i),0)==%T & isreal(ValorRaiz(:,i),0)==%T then 188. VetorRe = [VetorRe Vetor(:,i)] 189. ValorRaizRe = [ValorRaizRe ValorRaiz(:,i)] 190. end 191. end 192. VetorRe =real(VetorRe); 193. ValorRaizRe=real(ValorRaizRe); 194. MSTRESS = []; 195. for i=1:size(VetorRe,2) 196. VetorRed = VetorRe(:,1:i); 197. ValorRaizRed = ValorRaizRe(1:i,1:i) 198. Y = VetorRed*ValorRaizRed 199. function z=Euc(X); 200. D=[]; 201. for i=1:size(X,1); 202. for j=1:size(X,1); 203. D(i,j)=(X(i,:)-X(j,:))*(X(i,:)-X(j,:))'; 204. end 205. end 206. z = D 207. endfunction 208. Dnovo = Euc(Y) 209. SomaNum =0 210. SomaDen = 0 211. for j=1:size(Dnovo,1) 212. for k=j+1:size(Dnovo,1) 213. SomaNum = SomaNum + (D(j,k)-Dnovo(j,k))^2 214. SomaDen = SomaDen + D(j,k)^2 215. end 216. end 217. STRESS = ((SomaNum/SomaDen))^(0.5); 218. MSTRESS = [MSTRESS; STRESS i]; 219. end 220. TROCA=%t; 221. while (TROCA==%t); 222. TROCA=%f 223. for i=1:size(MSTRESS,1)-1; 224. if MSTRESS(i,1)> MSTRESS(i+1,1) then 225. temp=MSTRESS(i,1); 226. MSTRESS(i,1)=MSTRESS(i+1,1); 227. MSTRESS(i+1,1)=temp; 228. temp = MSTRESS(i,2); 229. MSTRESS(i,2)=MSTRESS(i+1,2); 230. MSTRESS(i+1,2)=temp; 231. TROCA=%t 232. end 233. end 234. end 235. for i=1:size(MSTRESS,1) 236. if MSTRESS(i,2)>0 & MSTRESS(i,2)<7 then 237. break 238. end 239. end 240. VetorRed = VetorRe(:,1:MSTRESS(i,2)); 241. ValorRaizRed = ValorRaizRe(1:MSTRESS(i,2),1:MSTRESS(i,2)); 242. Y = VetorRed*ValorRaizRed; 243. Y 244. MSTRESS(i,1)

191

Tabela D.1. Algoritmo proposto para a definição do campo das propriedades utilizando inputs de consumidores em loja virtual (conclusão) 245. // Aplicação da clusterização através do Ward; Y é a saída do MDS. 246. d = nan_pdist(Y);// Obtenção da matriz de dissimilaridade 247. Z = nan_linkage(d,"ward"); 248. T = nan_cluster(Z,1)// Determinação dos clusters para cada produto de . 249. MCentr = []; // Matriz dos centróides 250. MPCluster =[];//Matriz dos produtos acrescida do cluster na ultima coluna. 251. for i=1:size(T,1) 252. MPCluster = [MPCluster; Y(i,:) T(i)]; 253. end 254. //Quantidade de clusters 255. Nc =21; 256. //Cálculo do centróide. 257. for i=1:Nc; 258. Soma=0; 259. n =0; 260. for j=1:size(MPCluster,1); 261. if MPCluster(j,size(MPCluster,2))==i then 262. Soma = Soma + MPCluster(j,1:size(MPCluster,2)-1) 263. n = n+1 264. end 265. end 266. Centr = Soma/n 267. // Os centróides de cada cluster são armazenados em uma matriz, MCentr. 268. MCentr = [MCentr; Centr] 269. end 270. // Determinação da matriz de produtos representativos. O produto representativo de um determinado cluster é 271. definido como aquele que possue menor distância em relação ao centróide. A matriz de produtos representativos 272. contém o valor da distância em relação aos centróides e o rótulo do produto. 273. Mrep =[]; 274. for i=1:21; 275. Mdist =[]; 276. for j=1:size(MPCluster,1); 277. if MPCluster(j,size(MPCluster,2))==i then 278. dist = nan_pdist([MPCluster(j,1:size(MPCluster,2)-1);MCentr(i,:)]) 279. Mdist = [Mdist;MPCluster(j,1:size(MPCluster,2)-1) dist j] 280. end 281. end 282. for k=1:size(Mdist,1); 283. if (Mdist(k,size(Mdist,2)-1))== min(Mdist(:,size(Mdist,2)-1)) then 284. Mrep = [Mrep; Mdist(k,:)] 285. break 286. end 287. end 288. end 289. //Integração entre o resultado do sistema de recomendação e o sistema para obtenção de produtos representativos 290. // Os produtos representativos são dispostos na ordem dos escores obtidos pelo sistema de recomendação. Esses 291. escores são dispostos ao lado do rótulo e do vetor representativo do produto. 292. MRES = []; 293. for j=2:2:size(MRANK,2) 294. MRESULT = []; 295. for i=1:size(MRANK,1) 296. for k=1:size(Mrep,1) 297. if MRANK(i,j)==Mrep(k,size(Mrep,2)) then 298. MRESULT = [MRESULT; MRANK(i,j-1) MRANK(i,j)] 299. end 300. end 301. end 302. MRES = [MRES MRESULT] 303. End

192

Tabela D.2. Algoritmo para a função que calcula o coeficiente de correlação de Pearson 1. function z=Pearson(x. y) 2. 3. n = size(x.2) 4. // Cálculo da média dos vetores// 5. SomaX = 0 6. SomaY = 0 7. for i=1:n 8. SomaX = SomaX + x(i) 9. SomaY = SomaY + y(i) 10. end 11. MediaX = SomaX/n 12. MediaY = SomaY/n 13. //Numerador do coeficiente de correlação de Pearson// 14. Num_Pearson = 0 15. for i=1:n 16. Num_Pearson = Num_Pearson + (x(i) - MediaX)*(y(i)-MediaY) 17. end 18. //Denominador do coeficiente de correlação de Pearson// 19. SomaX=0 20. SomaY=0 21. for i=1:n 22. SomaX= SomaX + (x(i) - MediaX)^2 23. SomaY = SomaY + (y(i) - MediaY)^2 24. end 25. Den_Pearson = sqrt(SomaX *SomaY) 26. //Correlação de Pearson// 27. z = Num_Pearson/Den_Pearson 28. endfunction

193

APÊNDICE E: Relatório de tratamento das propriedades previamente coletadas

Este relatório contém os passos realizados para o tratamento das propriedades previamente coletadas. As propriedades objeto de tratamento foram obtidas dos celulares cadastrados no site Tudo Celular (2015), listadas no Anexo C, e são, portanto, aplicáveis aos 50 telefones celulares lançados no ano de 2015, coletadas no dia 23/11/2015. O tratamento das propriedades consistiu, na eliminação de propriedades, categorias e produtos da base inicial, em três Fases (ver Figura E.1), considerando as recomendações de Nagamachi e Lokman (2011). As recomendações, transcritas do Capítulo 3 da Tese, informam que o conjunto de produtos representativos do domínio deve conter (NAGAMACHI; LOKMAN, 2011): (Critério 1) produtos que representem cada propriedade/atributo definida; (Critério 2) produtos cujas propriedades/atributos totais não redundem; e, (Critério 3) no mínimo, dois produtos representativos de cada propriedade/atributo.

Figura E.1. Fases e Etapas do processo de tratamento das propriedades previamente coletadas

1.1 1.2 1.3

Exclusão de propriedades Exclusão de propriedades Exclusão de propriedades

utilizando Critério 1 utilizando o Critério 2 utilizando o Critério 3 Fase 1 Fase

2.1 2.2 2.3 Desdobramento das Desdobramento das Exclusão de produtos propriedades complexas propriedades em sem redundância em

Fase 2 Fase em propriedades simples categorias categorias/propriedades

3.1

Descrição dos produtos utilizando variáveis

Fase 3 Fase dummy

Na Fase 1 as propriedades iniciais, listadas no Anexo C, são reduzidas utilizando três critérios, em três Etapas, conforme a disponibilidade no produtos coletados, descritos no Apêndice G. Na Etapa 1.1 são excluídas as propriedades que não foram informadas para a totalidade dos produtos coletados, com a intenção de atender ao Critério 1. Na Etapa 1.2 são excluídas as propriedades que não variam para a totalidade dos produtos coletados, com a intenção de atender ao Critério 2. Na Etapa 1.3 são excluídas as propriedades que não apresentem variação para apenas um produto do conjunto de produtos coletados, com a intenção de

194

atender ao Critério 3. Na Fase 2 as propriedades restantes do processamento realizado na Fase 1 são redefinidas e criadas categorias para as propriedades, em três etapas. Na Etapa 2.1, as propriedades complexas, i.e., que agregam muitas informações ou informações técnicas independentes, são desdobradas em propriedades simples. Na Etapa 2.2, são definidas categorias para as propriedades. Para as propriedades contínuas foram definidas categorias discretas pela criação de faixas de valores. Depois de realizada a Etapa 2.2, as propriedades e categorias resultantes são novamente eliminadas, caso atendam aos critérios de exclusão da Fase 1. Na Etapa 2.3 são excluídos os produtos que não apresentem redundância em categorias/atributos. Na Fase 3 os produtos são descritos utilizando variáveis dummy, indicando ‘0’ para a ausência e ‘1’ para a presença em uma determinada variação de categoria. Na Tabela E.1 estão descritas as propriedades excluídas depois de realizada a Etapa 1.1. Tabela E.1. Propriedades excluídas na Etapa 1.1 (continua) PROPRIEDADE EXCLUÍDA MOTIVO Propriedade C03 (peso) Não informada para os produtos P01 e P35 Propriedade C04 (resistência à água) Não informada para os produtos P01-P26, P30-P44, P46 e P50 Propriedade C06 (dual sim) Não informada para os produtos P01, P16, P23, P34, P35, P45 e P48 Propriedade C07 (sim card) Não informada para os produtos P01, P06, P16-P18, P32, P34 e P35 Propriedade C08 (chipset) Não informada para o produto P13 Propriedade C10 (64 bit) Não informada para o produto P13 Propriedade C11 (GPU) Não informada para os produtos P13 e P15 Propriedade C22 (proteção) Não informada para os produtos P13 e P15 Propriedade C23 (display curvo) Não informada para os produtos P13 e P15 Propriedade C26 (tamanho do sensor) Não informada para os produtos P01-P06, P08-P21, P25-P34, P36-P41, P44-P48 e P50 Propriedade C27 (aperture size) Não informada para os produtos P01, P02, P06, P08- P17, P19-P21, P23, P24, P32-P37, P39-P37, P39, P40, P44, P46, P47 e P49 Propriedade C28 (estabilização) Não informada para os produtos P01, P08, P15-P18, P20, P22, P25, P26 e P34 Propriedade C30 (touch focus) Não informada para os produtos P15-P17, P19 e P38 Propriedade C32 (HDR) Não informada para os produtos P01, P08, P15-P19 e P34-P37 Propriedade C33 (dual shot) Não informada para os produtos P01-P08, P11-P41 e P44-P50

195

Tabela E.1. Propriedades excluídas na Etapa 1.1 (continuação) PROPRIEDADE EXCLUÍDA MOTIVO Propriedade C35 (detecção facial) Não informada para os produtos P08 e P23-P26 Propriedade C36 (detecção de sorriso) Não informada para os produtos P01, P03-P06, P08, P13, P14, P16-P41 e P46 Propriedade C37 (câmera frontal) Não informada para o produto P15 Propriedade C38 (resolução da gravação) Não informada para o produto P01 Propriedade C39 (FPS da gravação) Não informada para o produto P01 Propriedade C40 (auto focagem de vídeo) Não informada para os produtos P05, P08, P22-P25 e P34 Propriedade C41 (opções da câmara frontal) Não informada para os produtos P05, P08, P22-P25 e P34 Propriedade C42 (estabilização de vídeo) Não informada para os produtos P05, P08, P22-P25 e P34 Propriedade C43 (vídeo HDR) Não informada para os produtos P01-P08, P11-P27, P30-P41, P46 e P50 Propriedade C44 (dual rec.) Não informada para os produtos P01-P08, P11-P41 e P44-P50 Propriedade C45 (slow motion) Não informada para os produtos P01-P08, P11-P41 e P44-P50 Propriedade C46 (stereo sound rec.) Não informada para os produtos P01-P08, P11-P41 e P44-P50 Propriedade C47 (foto em vídeo) Não informada para os produtos P01-P10, P12, P15- P26, P30-P34, P36-P41, P44-P48 e P50 Propriedade C48 (vídeo câmera frontal) Não informada para os produtos P01, P04, P05, P08, P13-P15, P18-P21, P23-P27, P34-P38, P41 e P46-P47 Propriedade C49 (opções de câmera frontal) Não informada para os produtos P01-P28, P32-P38, P41, P45-P50 Propriedade C50 (wi-fi) Não informada para o produto P15 Propriedade C52 (IRDA) Não informada para os produtos P01-P08, P12-P41 e P44-P50 Propriedade C62 (LTE) Não informada para o produto P25 Propriedade C63 (velocidade máxima de download) Não informada para os produtos P01, P06, P09, P10, P25, P30 e P31 Propriedade C64 (velocidade máxima de upload) Não informada para o produto P25 Propriedade C66 (proximidade) Não informada para os produtos P01 e P15 Propriedade C67 (giroscópio) Não informada para os produtos P05, P06, P12, P15- P21, P30, P31, P34-P38, P41 e P45-P48 Propriedade C68 (bússola) Não informada para os produtos P06, P08, P15, P18, P25, P26, P30, P31, P34-P41 e P46 Propriedade C69 (barômetro) Não informada para os produtos P01-P10, P12-P41 e P44-P50 Propriedade C70 (impressão digital) Não informada para os produtos P01-P06, P08-P32, P34-P41 e P44-P50 Propriedade C71 (gesto) Não informada para os produtos P01-P41 e P44-P50 Propriedade C72 (mic. de redução de ruído) Não informada para os produtos P01, P04, P05, P08, P12-P22, P24, P30, P31, P36-P38 e P41 Propriedade C75 (rádio FM) Não informada para os produtos P01, P04, P05, P12- P14, P34-P36 e P41 Propriedade C77 (saída de TV) Não informada para os produtos P05, P06, P13-P17, P20, P21, P29, P43 e P46 Propriedade C79 (flash player) Não informada para o produto P34

196

Tabela E.1. Propriedades excluídas na Etapa 1.1 (conclusão) PROPRIEDADE EXCLUÍDA MOTIVO Propriedade C84 (outros) Não informada para o produto P05 Propriedade C86 (autonomia de conversação) Não informada para os produtos P02-P06, P09, P10, P12, P15, P20, P21, P26-P31, P33-P35, P38-P40, P43 e P50 Propriedade C87 (autonomia em standby) Não informada para os produtos P01-P06, P09, P10, P12, P15, P20, P21, P26-P32, P34-P38, P42, P43 e P50 Propriedade C88 (ampere) Não informada para os produtos P01 e P02 Propriedade C89 (SAR US) Não informada para os produtos P01-P10, P12-P14, P16-P19, P23-P27, P29-P31, P33-P36, P38, P43-P45 e P48-P50 Propriedade C90 (SAR EU) Não informada para os produtos P01, P02, P04-P10, P12-P14, P16-P19, P23-P27, P29-P31, P33-P36, P38- P40, P43-P46 e P48-P50

Na Tabela E.2 estão descritas as propriedades excluídas depois de realizada a Etapa 1.2. Tabela E.2. Propriedades excluídas na Etapa 1.2 PROPRIEDADE EXCLUÍDA MOTIVO Propriedade C19 (touchscreen) Invariável para a categoria “capacitiva” Propriedade C20 (multitouch) Invariável para a categoria “disponível” Propriedade C21 (núcleos) Invariável para a categoria “16 milhões” Propriedade C34 (geo tagging) Invariável para a categoria “disponível” Propriedade C53 (USB) Invariável para a categoria “micro USB 2.0” Propriedade C56 (GPRS) Invariável para a categoria “disponível” Propriedade C57 (EDGE) Invariável para a categoria “disponível” Propriedade C58 (UMTS) Invariável para a categoria “disponível” Propriedade C59 (HSDPA) Invariável para a categoria “disponível” Propriedade C60 (HSUPA) Invariável para a categoria “disponível” Propriedade C65 (acelerômetro) Invariável para a categoria “disponível” Propriedade C73 (player de música) Invariável para a categoria “disponível” Propriedade C78 (browser) Invariável para a categoria “HTML 5” Propriedade C80 (vibração) Invariável para a categoria “disponível” Propriedade C81 (viva voz) Invariável para a categoria “disponível” Propriedade C82 (toques) Invariável para a categoria “polifônicos” Propriedade C83 (toques personalizados) Invariável para a categoria “disponível” Propriedade C85 (tipo de bateria) Invariável para a categoria “LiPo/Lítio”

Na Tabela E.3 estão descritas as propriedades excluídas depois de realizada a Etapa 1.3. Tabela E.3. Propriedades excluídas na Etapa 1.3 PROPRIEDADE EXCLUÍDA MOTIVO Propriedade C05 (GSM) Variável somente no produto P50 para a categoria “triband (900/1800/1900)” Propriedade C29 (autofocus), não disponível no Variável somente no produto P22 para a categoria produto P22. “indisponível” Propriedade C61 (HSPA+), não disponível no Variável somente no produto P25 para a categoria produto P25. “indisponível”

Na Etapa 2.1, pertencente à Fase 2, as propriedades complexas C02, C09 e C74 foram

197

desdobradas em propriedades simples. A Tabela E.4 apresenta os desdobramentos realizados. Tabela E.4. Propriedades resultantes do desdobramento das propriedades C02, C09 e C74 PROPRIEDADE DESDOBRAMENTO Propriedade C02 (dimensões) C02.1 (altura) C02.2 (largura) C02.3 (profundidade) Propriedade C09 (processador) C09.1 (frequência de operação do primeiro processador) C09.2 (núcleo do primeiro processador) C09.3 (frequência de operação do segundo processador) C09.4 (núcleo do segundo processador) Propriedade C74 (player de vídeo) C74.1 (MP4) C74.2 (H.263) C74.3 (H.264) C74.4 (MPEG-4) C74.5 (WMV) C74.6 (DIVX) C74.7 (WEBM) C74.8 (MKV) C74.9 (Xvid) C74.10 (Sorenson Spark)

Na Etapa 2.2, as propriedades foram desdobradas em categorias. A Tabela E.5 apresenta as categorias identificadas.

Tabela E.5. Desdobramento das propriedades em categorias

(continua)

PROPRIEDADE ID CATEGORIA Sistema operacional C01 Android Lollipop (5.0/5.0.1/5.1/5.1.1) Android KitKat (4.4/4.4.2/4.4.4) BlackBerry OS (10.3.1) Windows Phone Lumia Denim (8.1) Dimensões Altura (mm) C02.1 118.9- 134.0 134.1- 149.1 149.2-164.2 Largura (mm) C02.2 64- 69.8 69.9- 75.6 75.7- 81.5 Profundidade (mm) C02.3 5.9- 8.0 8.1-10.1 10.2-12.3

198

Tabela E.5. Desdobramento das propriedades em categorias (continuação) PROPRIEDADE ID CATEGORIA Processador Frequência de Operação C09.1 1.0-1.25 GHz (primeiro processador) 1.26-1.50 GHz 1.51-1.75 GHz 1.76-2.0 GHz Núcleo (primeiro processador) C09.2 Dual Quad 6 8 Frequência de Operação C09.3 1.0-1.25 GHz (segundo processador) 1.26-1.50 GHz 1.51-1.75 GHz 1.76-2.0 GHz Núcleo (segundo processador) C09.4 Dual Quad RAM C12 512 MB 768 MB 1 GB 1.5 GB 2 GB 3 GB 4 GB Memória C13 4 GB 8 GB 16 GB 32 GB 64 GB 128 GB Memória expansível (Micro SD até) C14 Não 32 GB 64 GB 128 GB 200 GB 2 TB Polegadas C15 4.0-4.5 4.6-5.0 5.1-5.5 5.6-6.0 Resolução (pixel) C16 480x800-54 540X960 720x1280 1080x1920 1440x2560 Densidade de pixels C17 Tipo C18 LCD P-OLED AMOLED SUPER AMOLED Megapixel (MP) C24 5 MP 8 MP 13 MP 16 MP 20.7/21/21.5 MP

199

Tabela E.5. Desdobramento das propriedades em categorias (conclusão) PROPRIEDADE ID CATEGORIA Resolução C25 2592x1944 pixel 3264x2448 3456x4808 4128x3096/ 4160x3120 4640x3480 5248x3936/ 5291x3968 5312x2988 Flash C31 LED Dual LED Não Bluetooth C51 4.0 4.1 NFC C54 Sim Não GPS C55 A-GPS GLONASS Player de vídeo MP4 C74.1 Sim Não H.263 C74.2 Sim Não H.264 C74.3 Sim Não MPEG-4 C74.4 Sim Não WMV C74.5 Sim Não DIVX C74.6 Sim Não WEBM C74.7 Sim Não MKV C74.8 Sim Não Xvid C74.9 Sim Não Sorenson Spark C74.10 Sim Não TV C76 Sim Não

Da realização das Etapas 2.1 e 2.2 foram excluídas as propriedades e categorias considerando os critérios utilizados na Fase 1. A Tabela E.6 apresenta as propriedades e categorias excluídas.

Tabela E.6. Propriedades e categorias excluídas utilizando os critérios da Fase 1 (continua)

PROPRIEDADE/CATEGORIA MOTIVO Propriedade C09.4 (núcleo do segundo processador) A propriedade C09.4 (núcleo do segundo processador) não apresentava variação para os produtos em que estava disponível Propriedade C74.3 (H.264) A propriedade C74.3 (H.264) foi excluída considerando o Critério 2, estando disponível em todos os produtos

200

Tabela E.6. Propriedades e categorias excluídas utilizando os critérios da Fase 1 (conclusão)

PROPRIEDADE/CATEGORIA MOTIVO Propriedade C74.4 (MPEG-4) A propriedade C74.4 (MPEG-4) foi excluída considerando o Critério 3, da Fase 1.3, não disponível no produto P02 Propriedade C17 (densidade de pixels) A propriedade resulta da combinação das propriedades C15 (polegadas) e C16 (resolução), o que torna seu desdobramento redundante Categoria “1.51-1.75 GHz” Pertencente à propriedade C09.3 (frequência de operação do segundo processador), suprimida considerando o Critério 2 Categoria “Dual” Pertencente à propriedade C09.3 (frequência de operação do segundo processador), suprimida considerando o Critério 2 Categoria “Quad” Pertencente à propriedade C09.3 (frequência de operação do segundo processador), suprimida considerando o Critério 2 Categoria “1440x2560” Pertencente à propriedade C16 (resolução), suprimida considerando o Critério 2 Categoria “A-GPS” Pertencente à propriedade C55 (GPS), considerando o Critério 2

Na Etapa 2.3, os produtos que não apresentam redundância em categorias são excluídos. A Tabela E.7 apresenta os produtos excluídos.

Tabela E.7. Produtos excluídos na Etapa 2.3 PRODUTO MOTIVO P03 É excluído, pois é o único representante da categoria “4 GB” para a propriedade C12 (RAM) P06 É excluído, pois é o único representante da categoria “BlackBerry OS 10.3.1” para a propriedade C01 (sistema operacional) P07 É excluído, pois é o único representante da categoria “64 GB” para a propriedade C13 (memória) P11 É excluído, pois é o único representante da categoria “6 core” para a propriedade C09.2 (núcleo do processador) P29 É excluído, pois é o único representante da categoria “1.26-1.50 GHz” para a propriedade C09.3 (frequência de operação do processador) P37 É excluído, pois é o único representante da categoria “768 MB” para a propriedade C12 (RAM) P42 É excluído, pois é o único representante da categoria “3456x4808 pixel” para a propriedade C25 (megapixel) P43 É excluído, pois é o único representante da categoria “4640x3480 pixel” para a propriedade C25 (megapixel)

Na Fase 3 os produtos são descritos utilizando variáveis dummy. A Tabela E.8 apresenta matriz com os produtos versus propriedades categorizados utilizando as variáveis dummy.

201

Tabela E.8. Matriz de produtos versus propriedades descritos utilizando variáveis dummy na Fase 3 (continua)

C02. Dimensões C09. Processador

Sistema operacional Altura (mm) Largura (mm) Profundidade (mm) Frequência de Operação (primeiro processador) Núcleo (primeiro processador) Frequência de Operação (segundo processador)

C01 C02.1 C02.2 C02.3 C09.1 C09.2 C09.3

Windows Android Android Phone Lollipop KitKat 118.9- 134.1- 149.2- 1.0-1.25 1.26-1.50 1.51-1.75 1.76-2.0 1.0-1.25 1.76-2.0 Lumia 64- 69.8 69.9- 75.6 75.7- 81.5 5.9- 8.0 8.1-10.1 10.2-12.3 Dual Q uad 8 (5.0/5.0.1/ (4.4/4.4.2/ 134.0 149.1 164.2 GHz GHz GHz GHz GHz GHz Denim 5.1/5.1.1) 4.4.4) (8.1)

P01 1 0 0 0 1 0 0 1 0 0 1 0 1 0 0 0 0 1 0 0 0 P02 1 0 0 0 1 0 1 0 0 1 0 0 1 0 0 0 0 1 0 0 0 P04 1 0 0 0 0 1 0 1 0 0 0 1 1 0 0 0 0 1 0 0 0 P05 1 0 0 0 1 0 0 1 0 0 1 0 0 1 0 0 0 1 0 0 0 P08 0 1 0 0 1 0 0 1 0 0 1 0 1 0 0 0 0 1 0 0 0 P09 1 0 0 0 1 0 0 1 0 0 1 0 0 1 0 0 0 1 0 0 1 P10 1 0 0 0 1 0 0 1 0 0 1 0 0 1 0 0 0 1 0 0 1 P12 1 0 0 0 1 0 0 1 0 0 1 0 0 1 0 0 0 1 0 1 0 P13 1 0 0 0 0 1 0 0 1 0 1 0 0 1 0 0 0 0 1 0 0 P14 1 0 0 0 0 1 0 0 1 0 1 0 1 0 0 0 0 1 0 0 0 P15 0 1 0 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 0 0 P16 1 0 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 1 0 0 0 P17 1 0 0 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 0 0 P18 1 0 0 0 1 0 0 1 0 0 1 0 0 1 0 0 0 1 0 0 0 P19 1 0 0 0 1 0 0 1 0 0 1 0 0 1 0 0 0 1 0 0 0 P20 1 0 0 1 0 0 1 0 0 0 1 0 0 1 0 0 0 1 0 0 0 P21 1 0 0 1 0 0 1 0 0 0 1 0 1 0 0 0 0 1 0 0 0 P22 0 0 1 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 0 0 P23 0 0 1 0 1 0 0 1 0 0 1 0 1 0 0 0 0 1 0 0 0 P24 0 0 1 0 0 1 0 0 1 0 1 0 1 0 0 0 0 1 0 0 0 P25 1 0 0 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 0 0

202

Tabela E.8. Matriz de produtos versus propriedades descritos utilizando variáveis dummy na Fase 3 (continuação)

C02. Dimensões C09. Processador

Sistema operacional Altura (mm) Largura (mm) Profundidade (mm) Frequência de Operação (primeiro processador) Núcleo (primeiro processador) Frequência de Operação (segundo processador)

C01 C02.1 C02.2 C02.3 C09.1 C09.2 C09.3

P26 1 0 0 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 0 0 P27 1 0 0 0 1 0 0 1 0 0 0 1 0 1 0 0 0 1 0 0 0 P28 1 0 0 0 1 0 0 1 0 0 0 1 0 0 1 0 0 1 0 1 0 P30 1 0 0 0 1 0 0 1 0 1 0 0 0 1 0 0 0 0 1 0 0 P31 1 0 0 0 1 0 0 1 0 1 0 0 0 1 0 0 0 0 1 0 0 P32 0 1 0 0 0 1 0 0 1 1 0 0 0 1 0 0 0 1 0 1 0 P33 1 0 0 0 0 1 0 0 1 1 0 0 0 1 0 0 0 1 0 1 0 P34 0 1 0 0 1 0 0 1 0 1 0 0 1 0 0 0 0 1 0 0 0 P35 0 1 0 0 0 1 0 0 1 1 0 0 1 0 0 0 0 1 0 0 0 P36 0 1 0 1 0 0 1 0 0 0 1 0 1 0 0 0 1 0 0 0 0 P38 1 0 0 0 1 0 1 0 0 0 1 0 0 1 0 0 0 1 0 0 0 P39 1 0 0 0 1 0 0 1 0 0 1 0 1 0 0 0 0 1 0 0 0 P40 1 0 0 0 0 1 0 0 1 1 0 0 0 1 0 0 0 1 0 1 0 P41 1 0 0 0 0 1 0 0 1 0 1 0 1 0 0 0 0 1 0 0 0 P44 1 0 0 0 0 1 0 0 1 1 0 0 0 0 1 0 0 0 1 0 0 P45 1 0 0 0 0 1 0 0 1 0 1 0 0 0 1 0 0 0 1 0 0 P46 0 1 0 0 1 0 0 1 0 0 0 1 0 1 0 0 0 1 0 0 0 P47 1 0 0 0 1 0 0 1 0 1 0 0 0 1 0 0 0 1 0 1 0 P48 1 0 0 0 1 0 0 1 0 1 0 0 0 0 0 1 0 0 1 0 0 P49 1 0 0 0 1 0 0 1 0 1 0 0 0 1 0 0 0 1 0 0 1 P50 0 1 0 1 0 0 1 0 0 0 1 0 1 0 0 0 0 1 0 0 0

203

Tabela E.8. Matriz de produtos versus propriedades descritos utilizando variáveis dummy na Fase 3 (continuação)

RAM Memória Memória expansível (Micro SD até) Polegadas Resolução (pixel)

C12 C13 C14 C15 C16

480x800- 1080x192 512 MB 1 GB 1.5 GB 2 GB 3 GB 4 GB 8 GB 16 GB 32 GB 128 GB Não 32 GB 64 GB 128 GB 200 GB 2 TB 4.0-4.5 4.6-5.0 5.1-5.5 5.6-6.0 540X960 720x1280 54 0

P01 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 0 0 P02 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 P04 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 P05 0 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 P08 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 0 0 P09 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 P10 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 P12 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 1 P13 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 P14 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 P15 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 P16 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 P17 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 P18 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 0 0 P19 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 P20 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 P21 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 P22 0 1 0 0 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 P23 0 1 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 P24 0 1 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 P25 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0

204

Tabela E.8. Matriz de produtos versus propriedades descritos utilizando variáveis dummy na Fase 3 (continuação)

RAM Memória Memória expansível (Micro SD até) Polegadas Resolução (pixel)

C12 C13 C14 C15 C16

480x800- 1080x192 512 MB 1 GB 1.5 GB 2 GB 3 GB 4 GB 8 GB 16 GB 32 GB 128 GB Não 32 GB 64 GB 128 GB 200 GB 2 TB 4.0-4.5 4.6-5.0 5.1-5.5 5.6-6.0 540X960 720x1280 54 0

P26 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 P27 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 P28 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 P30 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 P31 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 P32 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 P33 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 P34 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 P35 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 P36 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 P38 0 1 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 P39 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 P40 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 P41 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 P44 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 P45 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 P46 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 P47 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 P48 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 1 P49 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 P50 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0

205

Tabela E.8. Matriz de produtos versus propriedades descritos utilizando variáveis dummy na Fase 3 (continuação)

C55. GPS

Tipo Megapixel (MP) Resolução Flash Bluetooth NFC GLONASS

C18 C24 C25 C31 C51 C54 C55

4128x309 5248x393 SUPER 20.7/21/2 2592x194 3264x244 6/ 6/ 5312x298 LCD P-O LED AMO LED 5 MP 8 MP 13 MP 16 MP LED Dual LED Não 4.0 4.1 Sim Não Sim Não AMO LED 1.5 MP 4 pixel 8 4160x312 5291x396 8 0 8

P01 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 0 0 1 0 1 P02 1 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 1 0 0 1 P04 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 1 0 0 1 1 0 P05 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 0 0 1 0 1 P08 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 0 0 1 0 1 P09 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 1 0 1 0 P10 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 1 0 1 0 P12 1 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 1 0 1 0 P13 1 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 1 1 0 1 0 P14 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 1 0 1 0 P15 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 1 P16 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 1 1 0 P17 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 1 1 0 P18 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 0 0 1 0 1 P19 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 0 0 1 0 1 P20 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0 1 0 P21 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 1 1 0 1 0 P22 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 1 1 0 P23 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 0 1 0 1 0 P24 1 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 1 0 1 0 P25 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 1 1 0

206

Tabela E.8. Matriz de produtos versus propriedades descritos utilizando variáveis dummy na Fase 3 (continuação)

C55. GPS

Tipo Megapixel (MP) Resolução Flash Bluetooth NFC GLONASS

C18 C24 C25 C31 C51 C54 C55

P26 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 1 1 0 P27 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 1 0 0 1 1 0 P28 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 1 0 1 0 1 0 P30 0 0 1 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 0 1 0 1 P31 0 0 1 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 0 1 0 1 P32 0 0 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 1 0 1 0 P33 0 0 0 1 0 0 0 1 0 0 0 0 0 1 1 0 0 1 0 1 0 1 0 P34 0 0 0 1 0 1 0 0 0 0 1 0 0 0 1 0 0 1 0 0 1 1 0 P35 0 0 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 0 1 1 0 P36 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 1 0 1 0 1 0 P38 0 0 0 1 1 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 1 0 P39 0 0 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0 0 1 0 1 1 0 P40 1 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 1 0 1 0 P41 1 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 1 0 1 1 0 P44 1 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 1 1 0 1 0 P45 1 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 1 1 0 1 0 P46 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 1 0 1 P47 1 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 1 1 0 1 0 P48 1 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 1 1 0 1 0 P49 1 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 1 0 1 0 1 0 P50 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 0 0 1 1 0

207

Tabela E.8. Matriz de produtos versus propriedades descritos utilizando variáveis dummy na Fase 3 (continuação)

C74. Player de vídeo

MP4 H.263 WMV DIVX WEBM MKV Xvid Sorenson Spark C74.1 C74.2 C74.5 C74.6 C74.7 C74.8 C74.9 C74.10 C76

Sim Não Sim Não Sim Não Sim Não Sim Não Sim Não Sim Não Sim Não Sim Não

P01 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 0 1 P02 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 0 1 P04 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 P05 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 P08 1 0 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 P09 0 1 1 0 1 0 1 0 1 0 1 0 0 1 0 1 0 1 P10 0 1 1 0 1 0 1 0 1 0 1 0 0 1 0 1 0 1 P12 1 0 1 0 1 0 0 1 0 1 1 0 0 1 0 1 0 1 P13 1 0 1 0 1 0 0 1 0 1 1 0 0 1 0 1 1 0 P14 1 0 1 0 1 0 0 1 0 1 1 0 0 1 0 1 0 1 P15 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 1 0 P16 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 P17 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 P18 1 0 1 0 1 0 0 1 0 1 1 0 0 1 0 1 0 1 P19 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 1 0 P20 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 P21 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 P22 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 1 0 P23 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 P24 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 P25 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 208

Tabela E.8. Matriz de produtos versus propriedades descritos utilizando variáveis dummy na Fase 3 (conclusão)

C74. Player de vídeo

MP4 H.263 WMV DIVX WEBM MKV Xvid Sorenson Spark C74.1 C74.2 C74.5 C74.6 C74.7 C74.8 C74.9 C74.10 C76

Sim Não Sim Não Sim Não Sim Não Sim Não Sim Não Sim Não Sim Não Sim Não

P26 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 1 0 P27 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 1 0 P28 1 0 0 1 1 0 0 1 0 1 0 1 0 1 0 1 0 1 P30 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 1 0 P31 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 1 0 P32 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 P33 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 P34 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 P35 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 P36 1 0 1 0 1 0 1 0 0 1 0 1 1 0 0 1 0 1 P38 1 0 1 0 1 0 1 0 0 1 0 1 1 0 0 1 0 1 P39 1 0 1 0 1 0 1 0 0 1 0 1 1 0 0 1 0 1 P40 1 0 1 0 1 0 1 0 0 1 0 1 1 0 0 1 0 1 P41 1 0 1 0 1 0 1 0 0 1 0 1 1 0 0 1 0 1 P44 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 1 0 P45 0 1 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 P46 0 1 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 P47 0 1 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 P48 0 1 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 P49 0 1 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 P50 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 209

APÊNDICE F: Recorte de propriedades para o teste do algoritmo

A lista de propriedades selecionada para a simulação resultou de um recorte da lista inicial de propriedades para o produto telefone celular. definida no Apêndice E, utilizando os parâmetros obtidos no trabalho de Lin et al. (2012), com tradução livre no Anexo B. Foram selecionadas (recortadas) as propriedades concernentes aos Elementos de Interface Humana relacionadas a propriedades de hardware. Para o caso, e considerando os dados disponíveis, foram identificadas/selecionadas propriedades de hardware não-funcionais (ver Tabela F.1) e propriedades de hardware funcionais de saída (ver Tabela F.2), percebidas pelo canal visual. Essa seleção/recorte permitiu a realização da simulação, obedecendo ao critério de Nakada (1997), que indica que o número de produtos deve ser superior à quantidade de categorias definida.

Tabela F.1. Lista de propriedades de hardware não-funcionais Tipo Canal Propriedades Categorias Variáveis 1. Gerais Visual Altura (mm) 118.9- 134.0 I11 2. 134.1- 149.1 I12 3. 149.2-164.2 I13 4. Largura (mm) 64- 69.8 I21 5. 69.9- 75.6 I22 6. 75.7- 81.5 I23 7. Profundidade (mm) 5.9- 8.0 I31 8. 8.1-10.1 I32 9. 10.2-12.3 I33

Tabela F.2. Lista de propriedades de hardware funcionais de saída (continua) Tipo Canal Propriedades Categorias Variáveis 1. Tela Visual Polegadas 4.0-4.5 I41 2. 4.6-5.0 I42 3. 5.1-5.5 I43 4. 5.6-6.0 I44 5. Resolução (pixel) 480x800-54 I51 6. 540X960 I52 7. 720x1280 I53 8. 1080x1920 I54 9. Tipo LCD I61 10. P-OLED I62 11. AMOLED I63 12. SUPER AMOLED I64

210

Tabela F.2. Lista de propriedades de hardware funcionais de saída (conclusão) Tipo Canal Propriedades Categorias Variáveis 13. Câmera Megapixel (MP) 5 MP I71 14. 8 MP I72 15. 13 MP I73 16. 16 MP I74 17. 20.7/21/21.5 MP I75 18. Resolução 2592x1944 pixel I81 19. 3264x2448 I82 20. 4128x3096/4160x3120 I83 21. 5248x3936/ 5291x3968 I84 22. 5312x2988 I85 23. Flash LED I91 24. Dual LED I92 25. Não I93 26. Conectividade GPS (GLONASS) Sim I101 27. Não I102 28. Funções TV Sim I111 29. Não I112

211

APÊNDICE G: Lista dos produtos utilizados na simulação versus propriedades obtidas no recorte

A lista dos produtos utilizados na simulação foi obtida no site Tudo Celular (2015) e selecionada na Etapa 2.3, conforme descrito no Apêndice E. São considerados 42 telefones celulares de um total de 50, lançados em 2015, conforme coleta realizada no dia 23/11/2015. São apresentadas as propriedades obtidas no recorte de propriedades, descrito no Apêndice F.

Tabela G.1. Lista dos produtos utilizados na simulação e respectivas propriedades (continua) P01. Acer Liquid Z520 Corpo C02.1. Altura (mm) 144 mm C02.2. Largura (mm) 70 mm C02.3. Profundidade (mm) 9.3mm Tela C15. Polegadas 5 C16. Resolução (pixel) 480x800 pixel C18. Tipo LCD Câmera C24. Megapixel (MP) 8 Mp C25. Resolução 3264x2448 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS Funções C76. TV Não P02. Alcatel IDOL 3 Corpo C02.1. Altura (mm) 134.6 mm C02.2. Largura (mm) 65.9 mm C02.3. Profundidade (mm) 7.55mm Tela C15. Polegadas 4.7 C16. Resolução (pixel) 720x1280 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS Funções C76. TV Não

212

Tabela G.1. Lista dos produtos utilizados na simulação e respectivas propriedades (continuação) P04. ASUS ZenFone 2 Laser Corpo C02.1. Altura (mm) 152.54 mm C02.2. Largura (mm) 77.2 mm C02.3. Profundidade (mm) 10.8 mm Tela C15. Polegadas 5.5 C16. Resolução (pixel) 720x1280 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash Dual LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P05. ASUS ZenFone Go Corpo C02.1. Altura (mm) 144.5 mm C02.2. Largura (mm) 71 mm C02.3. Profundidade (mm) 9.98mm Tela C15. Polegadas 5 C16. Resolução (pixel) 720x1280 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 8 Mp C25. Resolução 3264x2448 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS Funções C76. TV Não P08. Huawei Y625 Corpo C02.1. Altura (mm) 142 mm C02.2. Largura (mm) 72.6 mm C02.3. Profundidade (mm) 9.6 mm Tela C15. Polegadas 5 C16. Resolução (pixel) 480x854 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 8 Mp C25. Resolução 3264x2448 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS Funções C76. TV Não P09. LG G Flex 2 Corpo C02.1. Altura (mm) 149.1 mm C02.2. Largura (mm) 75.3 mm C02.3. Profundidade (mm) 9.4 mm Tela C15. Polegadas 5.5 C16. Resolução (pixel) 1080x1920 pixel C18. Tipo P-OLED Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4160x3120 pixel C31. Flash Dual LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não

213

Tabela G.1. Lista dos produtos utilizados na simulação e respectivas propriedades (continuação) P10. LG G Flex 2 32GB Corpo C02.1. Altura (mm) 149.1 mm C02.2. Largura (mm) 75.3 mm C02.3. Profundidade (mm) 9.4 mm Tela C15. Polegadas 5.5 C16. Resolução (pixel) 1080x1920 pixel C18. Tipo P-OLED Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4160x3120 pixel C31. Flash Dual LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P12. LG G4 Beat Corpo C02.1. Altura (mm) 142.7 mm C02.2. Largura (mm) 72.6 mm C02.3. Profundidade (mm) 9.89 mm Tela C15. Polegadas 5.2 C16. Resolução (pixel) 1080x1920 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P13. LG G4 Stylus Corpo C02.1. Altura (mm) 154.3 mm C02.2. Largura (mm) 79.2 mm C02.3. Profundidade (mm) 9.6 mm Tela C15. Polegadas 5.7 C16. Resolução (pixel) 720x1280 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV DVB-T P14. LG G4 Stylus 4G Corpo C02.1. Altura (mm) 154.3 mm C02.2. Largura (mm) 79.2 mm C02.3. Profundidade (mm) 9.6 mm Tela C15. Polegadas 5.7 C16. Resolução (pixel) 720x1280 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash Dual LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não

214

Tabela G.1. Lista dos produtos utilizados na simulação e respectivas propriedades (continuação) P15. LG Joy Corpo C02.1. Altura (mm) 122.7 mm C02.2. Largura (mm) 64 mm C02.3. Profundidade (mm) 11.99 mm Tela C15. Polegadas 4 C16. Resolução (pixel) 480x800 pixel C18. Tipo LCD Câmera C24. Megapixel (MP) 5 Mp C25. Resolução 2592x1944 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS Funções C76. TV DVB-T P16. LG Leon Corpo C02.1. Altura (mm) 129.9 mm C02.2. Largura (mm) 64.9 mm C02.3. Profundidade (mm) 10.9 mm Tela C15. Polegadas 4.5 C16. Resolução (pixel) 480x854 pixel C18. Tipo LCD Câmera C24. Megapixel (MP) 5 Mp C25. Resolução 2592x1944 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P17. LG Leon 4G Corpo C02.1. Altura (mm) 129.9 mm C02.2. Largura (mm) 64.9 mm C02.3. Profundidade (mm) 10.9 mm Tela C15. Polegadas 4.5 C16. Resolução (pixel) 480x854 pixel C18. Tipo LCD Câmera C24. Megapixel (MP) 5 Mp C25. Resolução 2592x1944 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P18. LG Prime II Corpo C02.1. Altura (mm) 140.8 mm C02.2. Largura (mm) 71.6 mm C02.3. Profundidade (mm) 9.6 mm Tela C15. Polegadas 5 C16. Resolução (pixel) 480x854 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 8 Mp C25. Resolução 3264x2448 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS Funções C76. TV Não

215

Tabela G.1. Lista dos produtos utilizados na simulação e respectivas propriedades (continuação) P19. LG Prime Plus Corpo C02.1. Altura (mm) 139.79 mm C02.2. Largura (mm) 69.9 mm C02.3. Profundidade (mm) 10.15 mm Tela C15. Polegadas 5 C16. Resolução (pixel) 720x1280 pixel C18. Tipo LCD Câmera C24. Megapixel (MP) 8 Mp C25. Resolução 3264x2448 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS Funções C76. TV DVB-T P20. LG Volt Corpo C02.1. Altura (mm) 133.25 mm C02.2. Largura (mm) 66.12 mm C02.3. Profundidade (mm) 9.95 mm Tela C15. Polegadas 4.7 C16. Resolução (pixel) 720x1280 pixel C18. Tipo LCD Câmera C24. Megapixel (MP) 5 Mp C25. Resolução 2592x1944 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P21. LG Volt 4G Corpo C02.1. Altura (mm) 133.25 mm C02.2. Largura (mm) 66.12 mm C02.3. Profundidade (mm) 9.95 mm Tela C15. Polegadas 4.7 C16. Resolução (pixel) 720x1280 pixel C18. Tipo LCD Câmera C24. Megapixel (MP) 8 Mp C25. Resolução 3264x2448 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P22. Microsoft Lumia 532 Corpo C02.1. Altura (mm) 118.9 mm C02.2. Largura (mm) 65.5 mm C02.3. Profundidade (mm) 11.6 mm Tela C15. Polegadas 4 C16. Resolução (pixel) 480x800 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 5 Mp C25. Resolução 2592x1944 pixel C31. Flash Não Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV DVB-T

216

Tabela G.1. Lista dos produtos utilizados na simulação e respectivas propriedades (continuação) P23. Microsoft Lumia 640 Corpo C02.1. Altura (mm) 141.3 mm C02.2. Largura (mm) 72.2 mm C02.3. Profundidade (mm) 8.8 mm Tela C15. Polegadas 5 C16. Resolução (pixel) 720x1280 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 8 Mp C25. Resolução 3264x2448 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P24. Microsoft Lumia 640 XL Corpo C02.1. Altura (mm) 157.9 mm C02.2. Largura (mm) 81.5 mm C02.3. Profundidade (mm) 9 mm Tela C15. Polegadas 5.7 C16. Resolução (pixel) 720x1280 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P25. Motorola Moto E Corpo C02.1. Altura (mm) 129.9 mm C02.2. Largura (mm) 66.8 mm C02.3. Profundidade (mm) 12.3 mm Tela C15. Polegadas 4.5 C16. Resolução (pixel) 540x960 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 5 Mp C25. Resolução 2592x1944 pixel C31. Flash Não Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P26. Motorola Moto E LTE Corpo C02.1. Altura (mm) 129.9 mm C02.2. Largura (mm) 66.8 mm C02.3. Profundidade (mm) 12.3 mm Tela C15. Polegadas 4.5 C16. Resolução (pixel) 540x960 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 5 Mp C25. Resolução 2592x1944 pixel C31. Flash Não Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV DTV

217

Tabela G.1. Lista dos produtos utilizados na simulação e respectivas propriedades (continuação) P27. Motorola Moto G (3ª geração) Corpo C02.1. Altura (mm) 141.9 mm C02.2. Largura (mm) 72.3 mm C02.3. Profundidade (mm) 11.2 mm Tela C15. Polegadas 5 C16. Resolução (pixel) 720x1280 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash A-GPS/GLONASS Conectividade C55. GPS (GLONASS) Dual LED Funções C76. TV ISDB-TB P28. Motorola Moto X Play Corpo C02.1. Altura (mm) 148 mm C02.2. Largura (mm) 75 mm C02.3. Profundidade (mm) 10.9 mm Tela C15. Polegadas 5.5 C16. Resolução (pixel) 1080x1920 pixel C18. Tipo LCD Câmera C24. Megapixel (MP) 21 Mp C25. Resolução 5291x3968 pixel C31. Flash Dual LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P30. Quantum Go Corpo C02.1. Altura (mm) 145.7 mm C02.2. Largura (mm) 71.5 mm C02.3. Profundidade (mm) 6.5 mm Tela C15. Polegadas 5 C16. Resolução (pixel) 720x1280 pixel C18. Tipo AMOLED Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4160x3120 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS Funções C76. TV DVB-T P31. Quantum Go 4G Corpo C02.1. Altura (mm) 145.7 mm C02.2. Largura (mm) 71.5 mm C02.3. Profundidade (mm) 6.5 mm Tela C15. Polegadas 5 C16. Resolução (pixel) 720x1280 pixel C18. Tipo AMOLED Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4160x3120 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS Funções C76. TV DVB-T

218

Tabela G.1. Lista dos produtos utilizados na simulação e respectivas propriedades (continuação) P32. Samsung Galaxy A7 Corpo C02.1. Altura (mm) 151 mm C02.2. Largura (mm) 76.2 mm C02.3. Profundidade (mm) 6.3 mm Tela C15. Polegadas 5.5 C16. Resolução (pixel) 1080x1920 pixel C18. Tipo Super AMOLED Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P33. Samsung Galaxy A8 Corpo C02.1. Altura (mm) 158 mm C02.2. Largura (mm) 76.8 mm C02.3. Profundidade (mm) 5.9 mm Tela C15. Polegadas 5.7 C16. Resolução (pixel) 1080x1920 pixel C18. Tipo Super AMOLED Câmera C24. Megapixel (MP) 16 Mp C25. Resolução 5312x2988 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P34. Samsung Galaxy E5 Corpo C02.1. Altura (mm) 141.6 mm C02.2. Largura (mm) 70.2 mm C02.3. Profundidade (mm) 7.3 mm Tela C15. Polegadas 5 C16. Resolução (pixel) 720x1280 pixel C18. Tipo Super AMOLED Câmera C24. Megapixel (MP) 8 Mp C25. Resolução 3264x2448 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P35. Samsung Galaxy E7 Corpo C02.1. Altura (mm) 151 mm C02.2. Largura (mm) 77.2 mm C02.3. Profundidade (mm) 7.3 mm Tela C15. Polegadas 5.5 C16. Resolução (pixel) 720x1280 pixel C18. Tipo Super AMOLED Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não

219

Tabela G.1. Lista dos produtos utilizados na simulação e respectivas propriedades (continuação) P36. Samsung Galaxy J1 Corpo C02.1. Altura (mm) 129 mm C02.2. Largura (mm) 68.2 mm C02.3. Profundidade (mm) 8.9 mm Tela C15. Polegadas 4.3 C16. Resolução (pixel) 480x800 pixel C18. Tipo TFT LCD Câmera C24. Megapixel (MP) 5 Mp C25. Resolução 2592x1944 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P38. Samsung Galaxy J2 Corpo C02.1. Altura (mm) 136.5 mm C02.2. Largura (mm) 69.8 mm C02.3. Profundidade (mm) 8.5 mm Tela C15. Polegadas 4.7 C16. Resolução (pixel) 540x960 pixel C18. Tipo Super AMOLED Câmera C24. Megapixel (MP) 5 Mp C25. Resolução 2592x1944 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P39. Samsung Galaxy J5 Corpo C02.1. Altura (mm) 142 mm C02.2. Largura (mm) 73 mm C02.3. Profundidade (mm) 8.5 mm Tela C15. Polegadas 5 C16. Resolução (pixel) 720x1280 pixel C18. Tipo Super AMOLED Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P40. Samsung Galaxy J7 Corpo C02.1. Altura (mm) 152.2 mm C02.2. Largura (mm) 79.1 mm C02.3. Profundidade (mm) 7.9 mm Tela C15. Polegadas 5.5 C16. Resolução (pixel) 720x1280 pixel C18. Tipo TFT LCD Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não

220

Tabela G.1. Lista dos produtos utilizados na simulação e respectivas propriedades (continuação) P41. Samsung Galaxy On7 Corpo C02.1. Altura (mm) 151.8 mm C02.2. Largura (mm) 77.5 mm C02.3. Profundidade (mm) 8.2mm Tela C15. Polegadas 5.5 C16. Resolução (pixel) 720x1280 pixel C18. Tipo TFT LCD Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P44. Sony Xperia C4 Corpo C02.1. Altura (mm) 150.3 mm C02.2. Largura (mm) 77.4 mm C02.3. Profundidade (mm) 7.9 mm Tela C15. Polegadas 5.5 C16. Resolução (pixel) 1080x1920 pixel C18. Tipo LCD Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV DVB-T P45. Sony Xperia C5 Ultra Corpo C02.1. Altura (mm) 164.2 mm C02.2. Largura (mm) 79.6 mm C02.3. Profundidade (mm) 8.2 mm Tela C15. Polegadas 6 C16. Resolução (pixel) 1080x1920 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P46. Sony Xperia E4 Corpo C02.1. Altura (mm) 137 mm C02.2. Largura (mm) 74.6 mm C02.3. Profundidade (mm) 10.5 mm Tela C15. Polegadas 5 C16. Resolução (pixel) 540x960 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 5 Mp C25. Resolução 2592x1944 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS Funções C76. TV Não

221

Tabela G.1. Lista dos produtos utilizados na simulação e respectivas propriedades (continuação) P47. Sony Xperia M4 Aqua Corpo C02.1. Altura (mm) 145.5 mm C02.2. Largura (mm) 72.6 mm C02.3. Profundidade (mm) 7.3 mm Tela C15. Polegadas 5 C16. Resolução (pixel) 720x1280 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 13 Mp C25. Resolução 4128x3096 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P48. Sony Xperia M5 Corpo C02.1. Altura (mm) 145.5 mm C02.2. Largura (mm) 72 mm C02.3. Profundidade (mm) 7.6 mm Tela C15. Polegadas 5 C16. Resolução (pixel) 1080x1920 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 21.5 Mp C25. Resolução 5248x3936 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P49. Sony Xperia Z3 Plus Corpo C02.1. Altura (mm) 146.3 mm C02.2. Largura (mm) 71.9 mm C02.3. Profundidade (mm) 6.9 mm Tela C15. Polegadas 5.2 C16. Resolução (pixel) 1080x1920 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 20.7 Mp C25. Resolução 5248x3936 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não P50. Xiaomi Redmi 2 Corpo C02.1. Altura (mm) 134 mm C02.2. Largura (mm) 67.21 mm C02.3. Profundidade (mm) 9.2 mm Tela C15. Polegadas 4.7 C16. Resolução (pixel) 720X1280 pixel C18. Tipo IPS LCD Câmera C24. Megapixel (MP) 8 Mp C25. Resolução 3264x2448 pixel C31. Flash LED Conectividade C55. GPS (GLONASS) A-GPS/GLONASS Funções C76. TV Não

222

APÊNDICE H: Exequibilidade da obtenção e extração de matrizes de produtos e acessos de consumidores em protótipo de loja virtual

Este relatório contém os passos para a obtenção e extração da matriz de produtos e da matriz que indica a quantidade de acessos de consumidores às páginas dos produtos27, exemplificado em protótipo de loja virtual. O processo de obtenção e extração dessas matrizes é realizado em três fases, conforme apresentado na Figura H.1.

Figura H.1. Fases e Etapas do processo de obtenção/extração de matrizes de produtos e quantidade de acessos de consumidores às páginas dos produtos em protótipo de loja virtual

1.1 1.2 1.3 1.4 Criação de grades e Cadastro de produtos e Identificação de Cadastro e configuração variações de grades para categorização conforme plataforma para inicial de loja virtual categorização de grades e variações de elaboração de loja virtual utilizando plataforma

Fase 1 Fase produtos em loja virtual grades definidas

2.1 2.2 2.3 Inserção de ID e código Definição de Metas do Cadastro de loja virtual de acompanhamento tipo Funil de Vendas no na plataforma Google fornecidos pelo Google Google Analytics para

Fase 2 Fase Analytics Analytics na loja virtual obtenção de acessos

3.1 3.2 3.3 Obtenção da lista de Obtenção de relatório Organização dos dados produtos cadastrados na com a informação do obtidos nas Etapas 3.1 e loja virtual versus grades número de acessos às 3.2 Fase 3 Fase e variações de grades páginas da loja virtual

Na Fase 1 é estruturado o protótipo de loja virtual. A Fase é desdobrada em quatro Etapas. A Etapa 1.1 consiste na identificação de plataforma para a elaboração da loja virtual. Para a elaboração do protótipo, a plataforma deveria, sobretudo, ser gratuita ou disponibilizar uma versão gratuita que atendesse os seguintes critérios subjacentes: (a) permitir a elaboração de loja virtual de modo intuitivo, sem requisitar conhecimentos intermediários ou avançados em programação de sites; (b) permitir a categorização de produtos considerando suas especificações técnicas; (c) permitir a obtenção de lista de produtos cadastrados versus especificações técnicas em formatos compatíveis com o Excel e/ou R (e.g. .xls, .xlsx e .csv); e, (d) permitir o acesso ao código de programação para a utilização do Google Analytics. De

27 Neste trabalho, a quantidade de acessos refere-se, na verdade, a três indicadores: (1) quantidade de acessos às páginas dos produtos; (2) quantidade de envios de produtos para o cesto de compras; e, (3) quantidade de compras finalizadas para os produtos. 223

acordo com as limitações definidas, foi escolhida a plataforma Loja Integrada (2016). A Etapa 1.2 consiste no cadastro e realização de configurações iniciais, e.g. seleção de layout, tipo de loja, na plataforma Loja Integrada, passos indispensáveis e requisitados pela plataforma. A loja foi denominada Kansumers (2016). A Etapa 1.3 consiste na criação das grades e variações de grades dos produtos. As grades e variações de grade são utilizadas para o cadastro de especificações técnicas dos produtos, por exemplo, na plataforma Loja Integrada, uma grade seria “tamanho de calça”, com variações em tamanho “42”, “43” ou “44”. São utilizadas nas lojas virtuais para facilitar a seleção de produtos com as especificações desejadas pelo consumidor no ato da compra e estão associadas aos estoques. Neste trabalho, foram cadastradas as propriedades dos produtos utilizando o recurso grade e variações, de modo a representar o conjunto de propriedades selecionado para o produto telefone celular, conforme apresentado no Apêndice F. No caso, as grades representariam os “itens” dos produtos e as variações das grades, as “categorias”, utilizando a nomenclatura de Nagamachi e Lokman (2011), na literatura de Engenharia Kansei. Este cadastro é essencial para a obtenção das matrizes de perfis produtos, pois para cada combinação “grade/variação”, ou “item/categoria”, é gerada uma coluna que categoriza os produtos disponíveis/cadastrados na loja virtual. Na Figura H.2, é mostrado um exemplo do cadastro realizado no protótipo. No Figura H.2, para a grade “Corpo: Altura (faixa 118.9 mm – 134.0 mm)”, são cadastradas as variações da grade “118.9 mm” e “122.7 mm”.

Figura H.2. Cadastro dos itens e categorias para o produto Telefone Celular utilizando o recurso grade e variações de grade na plataforma Loja Integrada

224

A Etapa 1.4 consiste no cadastro de produtos utilizando as classificações definidas pelas grades adicionadas na Etapa 1.3. Para o protótipo de loja virtual foram cadastrados 12 produtos, Figura H.3, com a intenção de verificar a exeqüibilidade da obtenção e extração de matrizes de produtos e acessos de consumidores. Foram utilizados os doze primeiros produtos da lista apresentada no Apêndice G: “P01”, “P02”, “P04”, “P05”, “P08”, “P09”, “P10”, “P12”, “P13”, “P14”, “P15” e “P16”.

Figura H.3. Lista de produtos cadastrados na plataforma Loja Integrada

Na Fase 2 é configurado o Google Analytics para a captação das informações de acessos de consumidores às páginas dos produtos no protótipo de loja virtual. A Fase 2 é estruturada em três Etapas. A Etapa 2.1 consiste no cadastro da loja virtual no Google Analytics (2016). Esse cadastro é feito acessando a página “administração > nova conta”, na plataforma do Google Analytics. Nesta página são fornecidas informações tais como “nome da conta”, “nome do website”, “URL do website” e “categoria do setor”. Depois de realizado o cadastro inicial, a plataforma informa o “ID de acompanhamento” e o código de acompanhamento. Para o site Kansumers, denominação do protótipo de loja virtual elaborado na plataforma Loja Integrada, os ID e código de acompanhamento fornecidos pela plataforma do Google Analytics estão na Figura H.4.

225

Figura H.4. ID e código de acompanhamento fornecidos pelo Google Analytics para o site Kansumers

A Etapa 2.2 consiste no cadastro dos ID e código de acompanhamento nas páginas do protótipo de loja virtual. Na plataforma Loja Integrada, o ID de acompanhamento é inserido em um formulário específico, localizado na página de aplicativos, no link Google Analytics. Conforme mostra a Figura H.5.

Figura H.5. Inserção do ID de acompanhamento do Google Analytics no protótipo de loja virtual na plataforma Loja Integrada

O código de acompanhamento é inserido no código HTML de todas as páginas da loja virtual, conforme mostra a Figura H.6. 226

Figura H.6. Inserção do código de acompanhamento do Google Analytics no código HTML do protótipo de loja virtual na plataforma Loja Integrada

A Etapa 2.3 consiste na definição de Metas do tipo Funil de Vendas, para o registro da quantidade de acessos de consumidores às páginas dos produtos, à página carrinho de compras e à página conclusão de compra. Este tipo de informação é utilizado, com frequência, para a identificação da quantidade de acessos às páginas de produtos que foi convertida, efetivamente, em vendas de produtos. No caso deste trabalho, a quantidade de acessos registrada é utilizada para identificar preferências de consumidores por produtos em uma loja virtual, com a intenção de selecionar um conjunto de produtos, na definição do campo das propriedades em um Sistema de Engenharia Kansei. Para mostrar a exeqüibilidade na obtenção dos dados de acessos, foi definida uma meta do tipo Funil de Vendas para o produto P01. Essa meta teve como destino a página /checkout, i.e., a página indicativa da finalização do processo de compra. As páginas referentes ao processo de compra foram listadas em quatro etapas, para o cadastro de Meta no Google Analytics, no caso, páginas Home (Etapa 1), do produto (Etapa 2), do carrinho de compras (Etapa 3) e conclusão de compra/checkout (Etapa 4). Este cadastro é apresentado na Figura H.7.

227

Figura H.7. Definição de Meta do tipo Funil de Vendas para o produto P01 no Google Analytics

O Funil de Vendas para o produto P01 é apresentado na Figura H.8. No exemplo, as páginas “Home”, “Produto” (P01), “Carrinho” e “Checkout” tiveram 1, 2, 2 e 2 acessos, respectivamente, o que corresponde a uma compra efetiva para cada acesso à página do produto P01. Este resultado é definido para um período de tempo pré-estabelecido pelo administrador, no Google Analytics.

Figura H.8. Definição de Meta do tipo Funil de Vendas para o produto P01 no Google Analytics

228

A Fase 3 ocorre em três Etapas. A Etapa 3.1 consiste na obtenção da lista de produtos cadastrados na loja virtual versus propriedades, i.e. itens/categorias, definidos nas grades, na plataforma da Loja Integrada. Essa lista é obtida no diretório “painel > produtos > importação e exportação”, no link “exportar dados”. A plataforma Loja Integrada envia um relatório em formato de planilha de Excel para o e-mail do administrador. A Etapa 3.2 consiste na obtenção da quantidade de acessos de consumidores às páginas dos produtos, do carrinho de compras e de compra/checkout. Esses dados são obtidos na plataforma do Google Analytics, no diretório “conversões > visualização de funil > exportar”. Um relatório em formato de planilha de Excel pode ser obtido, deste modo. A Etapa 3.3 consiste na organização dos dados das planilhas obtidas nas Etapas 3.1 e 3.2 conforme as necessidades/requisitos de entrada do procedimento automático para a definição do campo das propriedades.

229

APÊNDICE I: Matriz de acessos de usuários

Apresenta a matriz de entrada da simulação usando o algoritmo Kansumers. A matriz de acessos de consumidores, obtida conforme descrito no Apêndice H, é apresentada na Tabela

I.1. Essa matriz, denominada no algoritmo, mostra o número de acessos realizados por usuários/consumidores às páginas dos produtos (ação 1), carrinho de compras (ação 2) e efetivação de compra para um dado produto (ação 3).

230

Tabela I.1. Matriz de acessos, denominada no algoritmo Kansumers, contém o número de acessos de usuários/consumidores às páginas dos produtos (ação 1), do carrinho de compras (ação 2) e efetivação de compra (ação 3) (continua)

P01 P02 P03 P04 P05 P06 P07 P08 P09 P10 P11 P12 P13 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 U01 9 1 1 0 0 0 6 4 4 3 3 0 10 7 6 8 4 1 9 1 1 8 5 3 2 2 2 1 0 0 8 0 0 8 0 0 9 3 0 U02 4 0 0 2 1 1 0 0 0 7 6 0 10 7 7 9 3 0 8 3 1 10 8 0 9 7 6 9 3 2 7 7 2 2 0 0 2 2 0 U03 2 2 1 4 0 0 5 5 3 9 5 5 3 1 1 8 0 0 2 1 0 0 0 0 1 1 0 9 6 5 1 0 0 9 8 2 2 2 0 U04 6 0 0 10 9 7 9 0 0 7 4 3 3 0 0 0 0 0 2 0 0 2 0 0 3 2 0 1 1 1 7 2 0 0 0 0 4 4 0 U05 7 0 0 8 3 0 7 3 1 2 2 2 1 1 1 9 7 7 6 3 3 4 4 1 4 3 1 8 5 5 5 3 2 1 0 0 9 4 1 U06 1 1 0 1 1 1 3 2 1 2 2 0 4 0 0 4 0 0 2 0 0 9 4 1 1 1 1 0 0 0 7 5 3 8 5 3 7 7 3 U07 9 8 8 7 0 0 2 1 1 3 3 0 4 0 0 8 6 5 7 0 0 1 1 0 7 4 0 3 3 3 3 3 1 1 1 0 7 0 0 U08 6 3 3 8 7 1 2 0 0 0 0 0 3 3 0 6 0 0 3 3 3 0 0 0 9 0 0 5 1 0 4 3 3 5 1 0 3 2 0 U09 8 2 0 3 0 0 6 5 1 5 2 2 7 2 1 2 2 0 4 1 1 2 0 0 7 5 2 8 6 1 6 4 4 6 1 1 0 0 0 U10 5 0 0 0 0 0 6 1 0 7 6 2 4 1 1 3 3 2 0 0 0 10 8 1 0 0 0 7 0 0 8 0 0 1 0 0 9 0 0 U11 10 4 3 10 2 1 10 7 4 3 0 0 10 9 4 10 7 4 8 7 4 3 1 0 3 0 0 4 1 1 2 0 0 1 0 0 0 0 0 U12 9 1 0 1 1 0 6 2 2 9 7 6 7 0 0 2 1 1 8 6 1 4 2 1 6 5 3 4 0 0 7 1 0 9 3 2 6 6 1 U13 5 3 1 9 3 1 9 4 3 3 1 0 6 1 1 6 2 0 7 3 3 1 1 1 5 2 1 2 2 0 9 8 7 6 3 3 5 3 0 U14 5 4 3 0 0 0 6 1 0 3 0 0 9 1 1 1 0 0 0 0 0 1 0 0 1 1 0 6 6 4 7 2 1 9 7 1 6 4 2 U15 4 3 1 9 7 2 7 1 0 8 4 4 8 1 0 4 1 1 0 0 0 9 3 0 7 7 2 0 0 0 0 0 0 3 1 0 8 3 3 U16 3 2 2 4 0 0 0 0 0 3 3 3 10 1 1 0 0 0 8 2 2 0 0 0 1 1 0 9 7 0 1 0 0 3 3 2 8 0 0 U17 6 0 0 2 0 0 10 9 4 0 0 0 1 1 0 1 1 1 1 0 0 2 0 0 0 0 0 2 2 2 2 1 0 3 3 1 1 0 0 U18 10 1 0 4 3 2 2 1 0 6 0 0 3 3 1 6 4 0 5 1 1 1 0 0 0 0 0 3 3 3 6 6 3 2 0 0 9 3 0 U19 9 0 0 5 0 0 9 6 1 6 0 0 0 0 0 0 0 0 2 1 1 3 1 1 6 2 2 6 1 0 7 2 1 4 4 1 0 0 0 U20 0 0 0 8 6 6 8 3 0 0 0 0 10 0 0 7 2 2 4 1 1 9 6 6 8 0 0 10 2 2 8 2 2 9 7 1 2 1 0 U21 9 3 1 0 0 0 3 0 0 1 0 0 7 4 0 2 0 0 4 2 2 1 1 1 6 6 6 8 3 2 9 8 4 9 4 1 0 0 0 U22 4 3 3 0 0 0 3 2 0 0 0 0 0 0 0 2 0 0 1 1 0 7 1 0 0 0 0 3 2 1 1 0 0 0 0 0 6 2 1 U23 2 1 1 4 3 0 0 0 0 1 0 0 10 2 0 7 6 0 1 0 0 5 3 0 7 7 5 10 10 8 4 0 0 9 2 0 1 0 0 U24 6 6 0 9 6 4 3 2 2 8 1 1 5 5 5 6 5 4 5 3 0 3 2 0 3 3 0 4 2 0 0 0 0 1 0 0 2 0 0 U25 10 0 0 1 0 0 7 2 2 4 0 0 7 4 0 10 2 1 6 3 0 10 2 0 4 2 1 0 0 0 9 3 0 9 6 2 6 0 0

231

P01 P02 P03 P04 P05 P06 P07 P08 P09 P10 P11 P12 P13 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 U26 5 0 0 6 1 1 7 4 2 0 0 0 7 0 0 0 0 0 0 0 0 9 1 1 0 0 0 2 0 0 0 0 0 7 2 2 9 9 8 U27 3 3 0 9 7 7 7 0 0 8 7 3 0 0 0 1 0 0 6 1 0 5 5 5 4 4 2 0 0 0 1 1 1 7 0 0 1 0 0 U28 3 2 0 5 1 0 7 2 1 6 0 0 5 3 3 0 0 0 3 2 2 8 2 1 4 4 1 6 6 5 6 5 5 2 0 0 1 0 0 U29 10 4 2 1 0 0 7 0 0 3 1 0 5 2 0 5 1 0 10 4 2 10 2 2 8 2 0 2 0 0 0 0 0 1 0 0 3 1 0 U30 10 8 0 9 0 0 7 4 2 4 0 0 5 4 2 10 6 4 7 0 0 8 2 0 4 2 0 7 7 7 2 0 0 5 0 0 7 1 1 U31 4 3 3 4 1 0 2 0 0 0 0 0 10 6 6 7 7 1 7 1 0 3 1 0 4 2 2 10 1 0 5 5 4 5 2 2 0 0 0 U32 6 1 0 7 2 0 9 1 0 0 0 0 0 0 0 2 1 1 6 6 2 4 3 0 3 3 2 9 0 0 7 1 1 7 4 4 8 6 1 U33 6 1 0 2 2 0 3 1 0 3 3 3 1 0 0 7 7 6 1 0 0 3 0 0 8 2 1 1 1 0 8 3 3 3 2 0 0 0 0 U34 6 3 3 6 5 0 5 2 1 2 1 0 3 2 1 3 0 0 5 0 0 3 0 0 5 3 3 1 0 0 6 4 4 9 4 4 2 0 0 U35 8 0 0 5 2 1 8 2 0 1 0 0 8 7 2 7 2 1 7 7 1 10 5 3 1 1 1 0 0 0 9 4 0 7 5 3 6 1 1 U36 2 1 1 0 0 0 0 0 0 9 5 0 9 3 1 2 1 0 9 3 0 3 3 3 10 4 1 10 6 6 1 1 1 2 2 0 8 0 0 U37 9 5 1 5 5 4 10 5 3 7 4 1 2 2 0 4 2 2 1 1 1 10 9 8 7 5 1 10 9 2 8 2 2 4 1 0 7 4 3 U38 0 0 0 7 1 1 8 1 0 1 1 0 9 1 1 2 1 0 0 0 0 7 7 5 10 2 1 4 4 1 7 0 0 2 2 0 1 0 0 U39 4 0 0 4 3 1 8 7 2 5 1 1 5 0 0 10 0 0 0 0 0 6 5 4 7 4 1 1 1 0 1 0 0 7 6 0 3 2 2 U40 7 2 1 2 1 0 5 1 0 4 4 3 0 0 0 8 4 4 1 0 0 8 1 0 2 2 1 9 0 0 5 5 0 2 2 2 7 7 5 U41 6 6 0 1 1 0 4 1 0 7 1 1 10 3 3 1 1 0 6 3 3 9 8 6 6 4 4 7 0 0 1 0 0 8 4 1 2 2 2 U42 8 7 2 5 5 4 3 0 0 7 5 5 4 3 0 9 8 6 1 1 1 8 7 7 6 0 0 0 0 0 0 0 0 10 4 4 1 0 0 U43 6 2 1 10 5 2 5 4 1 5 3 1 1 0 0 0 0 0 7 1 0 7 5 3 4 4 0 4 4 1 10 4 0 1 0 0 0 0 0 U44 9 5 4 6 6 0 3 0 0 7 6 3 0 0 0 9 2 0 2 1 1 2 1 1 6 5 0 5 3 0 6 5 0 7 5 1 3 1 1 U45 8 2 0 7 3 1 5 5 4 4 0 0 7 3 2 0 0 0 8 5 1 10 9 2 6 6 4 3 0 0 7 7 0 7 4 2 1 0 0 U46 9 4 1 2 0 0 7 5 3 5 2 2 8 6 3 0 0 0 7 2 1 5 4 1 1 1 1 3 2 0 2 1 1 7 7 0 8 7 6 U47 8 1 0 2 0 0 3 3 1 10 5 2 10 9 4 10 7 7 1 1 0 9 9 4 9 9 8 0 0 0 4 3 0 5 4 2 0 0 0 U48 6 4 2 4 2 1 9 3 3 4 3 1 6 4 2 5 0 0 8 6 6 9 5 4 7 5 0 5 0 0 4 3 0 4 1 0 9 5 3 U49 4 0 0 8 8 2 0 0 0 1 0 0 1 0 0 7 5 5 9 8 0 0 0 0 2 1 0 10 10 1 0 0 0 5 5 0 9 2 0 U50 10 8 6 2 2 2 5 3 2 5 4 0 0 0 0 3 2 0 10 7 3 0 0 0 2 0 0 10 0 0 1 0 0 8 2 2 0 0 0

232

P01 P02 P03 P04 P05 P06 P07 P08 P09 P10 P11 P12 P13 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 U51 8 8 1 1 0 0 4 4 0 9 9 9 5 0 0 2 0 0 5 1 1 3 1 1 3 3 3 9 0 0 8 7 6 9 6 2 3 0 0 U52 4 4 1 3 3 3 8 2 1 3 3 2 2 2 2 5 2 2 6 1 0 0 0 0 2 2 2 8 1 0 0 0 0 7 1 1 2 1 0 U53 7 7 7 7 3 2 7 5 2 3 1 0 6 5 4 1 1 0 5 0 0 4 1 1 7 2 1 4 3 1 9 5 2 0 0 0 5 4 3 U54 5 1 0 6 3 1 4 4 1 1 0 0 10 0 0 8 5 2 6 3 1 1 1 1 3 0 0 5 4 4 1 0 0 6 5 1 8 2 2 U55 8 2 2 9 8 0 1 1 0 3 1 1 5 5 5 2 2 2 5 3 3 3 0 0 2 2 0 8 3 3 1 1 0 3 2 1 6 6 1 U56 2 1 1 0 0 0 8 6 1 4 3 2 5 4 0 0 0 0 10 1 0 1 1 0 1 0 0 7 1 0 1 1 0 9 8 6 7 4 3 U57 10 9 4 8 0 0 4 2 1 3 0 0 10 4 1 10 4 4 9 8 1 2 2 1 0 0 0 3 0 0 7 6 0 0 0 0 3 0 0 U58 3 2 1 10 3 0 1 1 0 5 5 0 9 9 6 4 2 1 0 0 0 10 0 0 10 0 0 6 0 0 3 0 0 5 2 0 9 3 3 U59 7 7 4 8 8 5 9 9 3 10 0 0 3 0 0 0 0 0 9 9 8 9 2 2 0 0 0 2 0 0 1 0 0 1 1 0 5 3 3 U60 5 0 0 4 2 1 10 1 0 6 3 0 5 4 2 5 3 1 0 0 0 8 0 0 6 5 0 7 2 2 4 4 4 4 1 0 1 1 1 U61 2 2 0 6 3 0 2 2 2 3 3 3 8 6 2 5 1 1 7 0 0 3 0 0 8 4 4 9 6 1 7 1 1 2 0 0 1 0 0 U62 9 2 2 0 0 0 9 8 2 2 0 0 0 0 0 8 3 0 1 1 1 7 0 0 1 0 0 9 9 2 8 6 2 4 0 0 5 1 0 U63 4 3 2 2 0 0 3 2 1 4 4 0 5 2 1 0 0 0 7 7 2 6 3 3 9 2 0 5 0 0 3 2 2 9 4 4 4 1 0 U64 1 1 1 0 0 0 3 0 0 10 5 3 10 0 0 1 1 1 7 4 1 4 1 1 8 0 0 8 1 1 2 0 0 7 7 0 6 5 5 U65 9 0 0 8 4 0 6 2 1 2 2 1 9 9 4 2 0 0 1 1 1 5 0 0 9 1 0 10 7 2 2 1 1 7 7 3 7 0 0 U66 10 5 4 10 7 2 5 0 0 3 2 1 9 6 5 1 0 0 0 0 0 1 0 0 5 5 1 0 0 0 8 7 4 4 2 1 1 1 1 U67 9 0 0 8 2 2 7 4 4 4 3 3 8 7 1 6 5 5 7 6 4 6 1 1 4 3 2 7 6 1 6 0 0 7 6 4 3 2 1 U68 1 1 0 10 8 0 2 2 0 6 5 5 5 4 1 7 4 1 1 0 0 8 8 0 10 5 2 9 3 1 5 2 2 8 4 2 1 0 0 U69 8 2 2 2 0 0 2 2 2 4 1 0 1 0 0 10 9 9 8 4 1 1 0 0 9 7 0 1 1 0 8 1 0 10 0 0 5 1 1 U70 3 3 0 2 2 2 8 7 5 7 0 0 3 3 2 1 0 0 1 1 0 7 1 0 10 1 1 2 0 0 8 8 6 3 3 2 3 1 0 U71 7 0 0 0 0 0 10 0 0 2 1 0 9 3 2 6 4 1 2 2 0 9 0 0 10 1 0 1 0 0 6 3 0 8 3 3 7 5 0 U72 4 3 3 7 1 1 9 3 1 5 4 2 3 0 0 0 0 0 4 2 0 9 0 0 2 2 2 2 0 0 3 3 2 3 1 1 6 3 2 U73 3 1 1 1 0 0 9 9 4 4 0 0 1 0 0 1 1 0 10 8 3 10 10 3 10 8 4 6 3 3 4 2 1 3 2 2 2 1 0 U74 0 0 0 4 3 1 1 1 1 0 0 0 8 2 1 10 6 5 0 0 0 10 8 8 7 7 2 2 0 0 8 3 0 0 0 0 4 3 3 U75 9 1 0 5 4 2 1 1 0 7 0 0 7 4 2 0 0 0 3 2 1 8 4 0 10 10 6 5 0 0 0 0 0 4 0 0 1 0 0

233

P01 P02 P03 P04 P05 P06 P07 P08 P09 P10 P11 P12 P13 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 U76 5 0 0 0 0 0 2 2 0 1 0 0 1 1 0 3 1 1 6 6 5 2 1 1 4 3 2 0 0 0 3 1 1 3 2 1 7 4 2 U77 3 0 0 6 1 1 9 9 4 10 4 1 7 1 1 1 0 0 1 1 0 8 0 0 1 1 1 0 0 0 10 4 0 0 0 0 9 2 0 U78 7 2 0 8 1 0 4 2 1 8 5 5 0 0 0 6 3 3 3 1 0 3 3 0 7 5 1 8 1 0 3 0 0 0 0 0 5 4 4 U79 7 1 0 7 7 4 4 2 1 2 1 0 1 1 1 4 4 2 3 0 0 8 2 1 8 5 1 1 1 1 0 0 0 8 0 0 6 1 0 U80 9 7 1 3 1 0 10 10 10 5 0 0 7 4 3 9 3 2 8 5 4 1 0 0 9 2 0 3 3 3 7 1 1 10 5 5 6 6 3 U81 3 2 0 1 1 1 0 0 0 9 9 3 2 1 1 1 1 0 2 0 0 10 5 5 7 2 2 3 0 0 7 4 4 8 3 0 9 8 6 U82 2 1 0 10 7 2 1 0 0 9 6 2 6 5 4 3 2 2 8 3 2 3 1 0 5 2 1 10 3 0 10 3 3 1 0 0 8 1 0 U83 10 4 0 2 2 0 2 1 1 7 4 2 8 0 0 5 1 1 3 2 1 1 0 0 10 10 6 0 0 0 3 2 0 4 4 1 8 1 0 U84 1 0 0 2 1 1 0 0 0 0 0 0 8 3 2 3 3 2 8 2 0 2 0 0 1 0 0 1 1 1 0 0 0 4 4 2 2 2 2 U85 6 3 2 1 1 0 9 4 4 8 3 1 10 3 3 3 2 0 8 2 1 8 0 0 4 1 0 7 7 5 2 1 0 6 1 1 1 1 0 U86 1 1 1 0 0 0 7 5 2 3 1 1 2 1 1 10 8 5 3 0 0 10 7 3 8 8 5 10 9 6 6 6 4 7 3 1 3 0 0 U87 8 2 0 0 0 0 6 4 1 1 0 0 1 1 0 0 0 0 1 0 0 8 7 2 1 0 0 7 1 1 4 3 3 3 1 1 5 2 1 U88 9 0 0 3 0 0 2 1 0 8 5 0 1 1 1 6 4 4 4 0 0 3 1 0 5 3 1 2 0 0 5 1 0 8 8 5 8 8 3 U89 1 0 0 10 9 9 9 7 7 0 0 0 9 2 1 9 2 0 6 0 0 1 1 0 9 0 0 1 0 0 6 4 2 6 5 0 7 5 5 U90 2 1 0 2 0 0 0 0 0 1 0 0 3 3 0 1 0 0 6 4 0 0 0 0 9 5 5 6 2 2 6 0 0 9 6 1 7 0 0 U91 10 2 2 2 1 1 10 10 3 6 3 2 2 0 0 9 0 0 2 0 0 4 2 0 0 0 0 1 0 0 10 2 2 5 1 0 0 0 0 U92 1 0 0 1 1 1 6 1 1 0 0 0 6 3 0 3 0 0 7 0 0 3 1 0 3 2 1 2 1 0 7 4 1 2 1 0 2 0 0 U93 1 1 1 8 1 1 8 2 0 0 0 0 7 7 3 0 0 0 4 1 1 5 2 2 3 0 0 9 3 2 8 2 0 9 3 1 0 0 0 U94 9 0 0 2 2 1 0 0 0 7 7 2 2 2 1 3 3 2 1 1 0 7 4 1 10 2 1 2 0 0 2 1 1 2 2 1 5 1 1 U95 10 7 5 1 1 0 6 6 1 1 0 0 0 0 0 6 6 3 8 7 3 5 3 1 8 5 1 7 2 2 7 3 0 7 0 0 9 4 4 U96 3 0 0 9 3 0 9 7 7 1 0 0 6 4 0 8 4 4 8 0 0 5 2 2 0 0 0 8 8 3 10 9 1 10 9 6 5 4 4 U97 7 2 2 5 2 0 7 3 0 5 0 0 2 1 0 6 1 1 4 4 4 6 3 2 1 1 1 0 0 0 8 1 1 7 5 4 2 0 0 U98 7 1 0 1 1 0 3 3 1 7 7 7 2 1 1 3 3 2 1 1 1 8 0 0 4 2 0 8 7 7 0 0 0 6 0 0 5 0 0 U99 9 8 6 0 0 0 9 3 0 10 7 5 10 6 3 0 0 0 9 8 8 9 9 7 1 1 0 7 0 0 10 1 0 10 10 9 1 0 0 U100 1 0 0 4 4 2 6 0 0 9 0 0 5 3 3 3 1 0 10 6 4 9 8 0 10 8 1 4 3 2 7 3 0 1 1 0 10 8 7

234

P14 P15 P16 P17 P18 P19 P20 P21 P22 P23 P24 P25 P26 P27 P28 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 U01 6 4 4 8 0 0 7 6 3 6 0 0 6 1 0 9 6 3 6 0 0 6 1 1 3 3 0 5 5 4 3 1 1 2 1 0 2 0 0 4 1 0 7 0 0 U02 10 10 6 4 4 3 5 4 1 10 10 2 10 6 3 0 0 0 0 0 0 6 4 1 10 4 0 6 3 0 8 1 1 0 0 0 6 5 3 10 7 4 5 5 3 U03 3 2 0 5 0 0 2 2 0 7 5 1 6 4 2 6 6 6 0 0 0 10 5 1 4 1 0 1 0 0 3 3 0 5 3 3 9 5 2 7 4 0 6 1 1 U04 10 6 4 4 3 2 9 9 7 3 3 3 1 0 0 7 0 0 7 7 0 9 2 0 5 1 0 10 8 6 6 6 5 7 5 0 1 0 0 9 9 4 6 2 2 U05 9 8 8 9 6 6 7 6 1 2 1 0 0 0 0 3 2 1 2 2 2 7 2 1 2 1 1 4 4 3 1 0 0 9 7 0 1 1 1 7 7 1 5 0 0 U06 3 2 1 0 0 0 3 3 2 4 1 1 3 0 0 0 0 0 5 4 2 3 2 0 7 5 1 9 0 0 1 1 1 8 1 1 4 3 3 9 6 0 9 2 0 U07 6 2 0 9 6 6 8 1 0 10 5 5 3 3 1 1 1 0 6 3 0 3 0 0 7 5 5 3 3 1 3 1 0 6 6 2 7 6 1 8 2 2 10 6 4 U08 6 2 0 5 4 1 9 5 1 9 4 4 9 6 3 1 1 1 1 0 0 10 9 5 10 9 7 6 3 3 0 0 0 8 6 1 5 5 1 0 0 0 7 1 1 U09 10 4 0 1 1 1 4 0 0 0 0 0 6 1 1 0 0 0 5 3 3 0 0 0 1 1 1 5 1 1 1 1 0 9 3 1 6 3 2 10 5 1 8 0 0 U10 0 0 0 1 1 1 9 8 4 6 0 0 8 4 1 4 4 1 5 5 4 3 1 1 2 2 2 10 5 4 6 4 1 9 4 3 5 0 0 10 3 3 5 3 2 U11 9 3 2 5 1 0 8 3 1 5 5 1 10 2 0 6 3 0 4 1 0 6 1 0 0 0 0 5 3 2 9 9 5 3 3 3 8 5 4 3 2 0 7 7 4 U12 3 1 0 5 4 1 10 2 2 4 4 2 10 4 4 10 8 0 8 6 2 1 0 0 1 1 0 2 0 0 4 0 0 9 7 5 7 0 0 4 4 0 0 0 0 U13 3 3 1 5 1 0 8 7 4 10 8 2 2 2 0 9 1 1 9 4 4 9 2 2 9 6 4 1 0 0 9 2 0 9 6 5 5 2 2 6 6 6 7 4 4 U14 2 2 2 3 0 0 10 4 2 6 3 3 4 0 0 7 5 2 4 2 2 1 1 1 2 1 1 10 9 2 0 0 0 8 6 5 6 5 4 8 3 1 3 3 1 U15 6 6 5 4 3 0 2 2 2 2 1 0 1 1 0 2 1 0 1 0 0 5 1 0 8 5 4 10 0 0 10 4 2 10 1 1 4 3 3 7 2 2 7 0 0 U16 4 4 4 1 1 0 9 6 3 10 1 0 3 1 1 9 9 8 10 0 0 8 6 5 6 5 1 6 6 6 1 1 1 5 4 3 0 0 0 8 7 7 9 1 0 U17 1 1 0 0 0 0 6 5 1 9 8 8 3 1 0 3 1 0 5 4 0 4 3 2 5 5 1 5 1 1 3 1 1 4 2 2 6 3 3 8 8 2 9 1 0 U18 2 0 0 6 2 2 0 0 0 0 0 0 5 3 2 5 3 0 2 2 0 8 2 1 3 1 1 6 1 0 2 1 1 6 1 1 0 0 0 9 2 1 8 5 0 U19 5 1 1 6 3 1 3 3 1 7 3 3 4 0 0 5 5 4 2 2 1 6 4 4 3 0 0 4 3 0 1 0 0 2 2 2 2 0 0 4 0 0 9 7 1 U20 2 0 0 8 4 3 9 3 0 1 0 0 9 0 0 10 2 0 8 5 0 2 1 1 6 4 2 4 1 0 1 0 0 3 0 0 3 3 1 2 2 2 7 2 1 U21 8 1 1 5 2 1 0 0 0 2 1 0 9 5 3 5 2 0 9 5 1 9 1 1 9 2 1 4 1 0 0 0 0 8 8 8 7 1 1 5 4 0 0 0 0 U22 8 5 0 0 0 0 4 1 0 4 0 0 4 3 2 2 1 1 0 0 0 7 5 3 5 2 0 5 4 1 6 3 2 7 4 1 2 0 0 9 5 0 3 2 0 U23 3 1 0 2 0 0 5 2 1 1 0 0 10 4 1 0 0 0 6 0 0 4 3 3 5 0 0 2 2 1 5 5 1 3 2 1 7 5 5 6 5 5 1 0 0 U24 9 7 3 9 1 1 9 7 4 2 1 1 0 0 0 7 4 3 0 0 0 7 0 0 10 7 1 9 9 4 9 2 1 1 1 0 5 5 1 3 1 0 10 9 0 U25 7 4 3 6 4 3 6 4 0 6 0 0 10 4 2 5 1 0 8 3 3 8 0 0 0 0 0 1 0 0 7 0 0 9 9 3 9 5 3 5 3 3 4 3 1

235

P14 P15 P16 P17 P18 P19 P20 P21 P22 P23 P24 P25 P26 P27 P28 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 U26 2 2 2 9 5 5 5 5 3 0 0 0 2 2 0 2 0 0 3 1 0 10 1 1 9 3 0 10 6 0 6 2 1 2 1 0 5 4 3 8 0 0 2 2 1 U27 6 3 2 8 7 3 0 0 0 8 8 5 7 1 1 1 1 1 3 2 0 0 0 0 2 1 1 5 4 3 8 8 2 7 3 2 3 2 2 5 1 0 9 9 1 U28 0 0 0 5 1 0 7 3 1 5 4 2 2 2 1 10 6 6 1 0 0 7 6 1 0 0 0 8 4 3 8 8 0 4 2 1 10 7 6 2 0 0 6 6 6 U29 3 0 0 2 0 0 8 5 2 9 4 1 10 9 1 1 1 0 9 7 7 4 2 2 5 0 0 2 1 1 6 0 0 4 2 1 6 3 3 0 0 0 8 8 6 U30 1 1 1 10 1 0 2 0 0 8 3 0 1 0 0 3 3 2 4 3 3 8 3 2 7 5 1 10 3 0 7 5 2 9 1 1 9 4 1 0 0 0 7 7 5 U31 0 0 0 2 2 0 8 0 0 0 0 0 4 4 3 5 4 4 9 4 1 5 1 0 6 2 2 4 2 0 0 0 0 8 1 0 8 6 2 4 3 1 4 0 0 U32 0 0 0 2 2 0 7 7 3 10 0 0 6 0 0 10 10 6 7 1 0 8 7 4 2 2 1 2 0 0 10 10 6 4 4 0 7 6 5 2 0 0 2 0 0 U33 9 9 3 0 0 0 3 1 0 2 1 0 9 7 0 9 4 2 0 0 0 9 2 1 9 8 0 8 6 0 0 0 0 4 3 0 8 5 3 3 0 0 0 0 0 U34 3 1 1 6 1 0 5 0 0 1 0 0 0 0 0 6 1 0 6 6 2 0 0 0 0 0 0 0 0 0 8 7 7 8 1 1 3 1 1 3 2 1 0 0 0 U35 8 1 1 4 1 0 4 0 0 9 1 0 3 0 0 5 4 0 4 4 1 5 4 4 7 5 5 5 0 0 4 3 3 6 4 2 0 0 0 3 2 1 8 3 0 U36 1 0 0 2 1 1 1 0 0 10 7 7 3 2 0 7 1 1 7 2 0 1 0 0 9 9 7 5 0 0 2 1 1 8 1 1 2 0 0 0 0 0 1 1 1 U37 5 0 0 4 0 0 10 8 6 8 2 1 5 3 0 3 3 3 4 1 1 5 2 1 8 1 1 6 0 0 10 4 0 1 0 0 7 6 5 7 2 1 6 6 6 U38 9 3 2 1 0 0 0 0 0 10 4 4 10 8 2 8 8 3 3 1 0 0 0 0 6 1 0 9 1 1 5 1 0 2 2 2 8 5 5 8 6 6 5 2 1 U39 8 6 5 8 6 6 10 10 2 4 1 1 10 1 0 6 3 2 9 7 2 4 0 0 6 5 5 4 0 0 2 2 0 2 2 0 9 3 0 10 8 7 7 0 0 U40 3 2 0 1 1 1 2 2 1 8 2 2 5 1 0 3 0 0 1 1 1 1 0 0 7 1 1 4 0 0 10 6 6 3 1 1 2 0 0 0 0 0 1 1 1 U41 1 1 0 3 0 0 6 2 1 0 0 0 8 5 1 6 5 5 0 0 0 6 1 0 5 5 2 0 0 0 8 5 3 9 8 8 7 1 1 9 7 6 0 0 0 U42 2 1 0 10 8 7 4 1 1 6 3 3 1 1 1 1 0 0 5 0 0 7 3 1 10 2 2 7 3 2 4 3 1 3 2 2 3 1 1 9 3 3 9 6 3 U43 5 4 4 0 0 0 10 10 5 0 0 0 2 0 0 2 0 0 2 2 2 5 3 2 10 2 1 3 0 0 8 2 1 1 1 1 1 0 0 5 1 1 0 0 0 U44 3 1 0 10 10 6 4 3 1 7 6 6 0 0 0 4 0 0 7 7 7 4 3 0 4 3 2 5 0 0 6 5 1 7 6 6 1 0 0 1 0 0 1 1 1 U45 5 5 3 9 1 1 8 3 2 2 2 0 3 3 2 0 0 0 9 3 3 10 4 1 7 6 3 8 8 1 6 1 1 2 0 0 7 2 1 10 8 4 10 9 9 U46 3 2 1 2 0 0 9 9 7 5 3 1 0 0 0 9 4 3 5 4 4 9 3 3 4 4 1 2 0 0 10 9 1 7 0 0 6 5 4 1 1 0 10 3 1 U47 0 0 0 6 4 3 10 8 4 4 3 0 8 1 1 10 4 2 3 2 0 5 4 1 10 8 4 5 1 0 2 1 0 9 7 0 6 1 0 1 0 0 0 0 0 U48 1 1 1 5 3 2 1 0 0 10 4 3 10 7 6 10 2 0 4 1 1 9 2 2 9 2 2 7 5 2 8 4 2 6 2 0 4 4 2 8 2 1 9 4 3 U49 5 1 1 6 5 0 0 0 0 6 4 1 8 6 4 7 0 0 0 0 0 5 2 0 2 1 1 3 1 1 9 5 2 6 0 0 8 0 0 9 5 5 8 0 0 U50 4 2 0 4 3 1 1 1 1 4 4 2 0 0 0 9 4 4 5 3 0 4 2 1 7 3 2 5 4 4 4 4 4 8 1 1 3 2 0 5 3 0 0 0 0

236

P14 P15 P16 P17 P18 P19 P20 P21 P22 P23 P24 P25 P26 P27 P28 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 U51 1 0 0 3 0 0 1 0 0 0 0 0 5 3 2 6 0 0 0 0 0 7 0 0 4 2 1 10 5 4 10 8 3 1 1 1 9 4 3 3 1 0 2 0 0 U52 2 0 0 3 3 2 2 0 0 1 0 0 5 0 0 4 0 0 3 0 0 0 0 0 1 0 0 1 0 0 7 5 3 9 9 5 2 0 0 0 0 0 7 3 0 U53 9 4 3 10 5 5 7 1 1 10 6 4 1 0 0 9 3 0 2 1 1 1 0 0 5 0 0 3 2 1 3 1 0 8 6 6 6 6 1 2 1 0 7 1 1 U54 8 8 2 0 0 0 0 0 0 1 1 0 8 0 0 5 2 1 4 3 3 1 0 0 7 2 0 5 0 0 7 3 2 5 1 1 2 1 0 9 8 1 1 0 0 U55 6 4 1 8 4 3 2 1 0 10 9 3 8 3 2 5 3 0 8 7 6 10 6 4 1 0 0 7 3 0 10 3 2 2 0 0 0 0 0 4 0 0 1 0 0 U56 10 2 2 8 4 3 10 0 0 1 0 0 4 2 0 9 5 4 8 0 0 2 0 0 6 1 0 2 2 0 0 0 0 3 2 2 0 0 0 1 1 0 8 6 2 U57 2 0 0 1 0 0 4 1 1 5 1 0 5 0 0 8 1 1 6 2 0 9 7 0 4 2 1 10 8 1 2 2 0 9 5 2 0 0 0 2 1 1 2 0 0 U58 0 0 0 8 2 0 4 1 0 8 4 2 10 5 5 3 1 0 6 4 3 5 4 0 6 2 0 9 9 7 0 0 0 5 3 1 5 4 3 4 4 2 0 0 0 U59 6 0 0 3 3 1 2 1 1 4 1 0 5 1 1 4 0 0 7 2 1 10 6 0 2 0 0 0 0 0 6 1 1 6 4 0 10 6 6 1 1 0 4 4 4 U60 5 0 0 3 1 0 4 1 1 9 6 1 10 9 9 10 9 7 4 4 1 6 2 2 5 3 3 3 0 0 3 2 1 8 1 1 5 1 1 4 1 0 5 0 0 U61 10 3 0 8 0 0 7 6 6 8 3 0 10 1 1 4 3 0 1 1 1 2 2 2 5 0 0 10 5 1 5 3 2 9 3 0 0 0 0 10 6 1 7 4 3 U62 10 1 1 6 3 1 7 4 1 5 3 1 2 2 2 10 1 0 4 3 3 4 2 0 0 0 0 5 5 0 1 0 0 10 7 3 1 0 0 9 1 1 0 0 0 U63 9 0 0 5 5 4 1 0 0 4 4 2 10 1 1 8 3 2 2 1 1 2 0 0 10 3 3 9 2 2 1 1 1 4 2 0 7 7 3 1 1 1 6 0 0 U64 0 0 0 6 2 1 2 2 1 4 1 0 2 1 0 6 4 3 8 0 0 3 1 1 0 0 0 2 2 2 8 3 0 6 5 3 5 1 1 6 6 5 0 0 0 U65 1 1 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 0 9 9 7 2 2 0 0 0 0 8 3 3 4 4 3 8 5 0 0 0 0 4 2 2 U66 4 3 1 0 0 0 6 6 4 10 8 1 4 3 0 8 3 3 1 1 0 8 0 0 9 1 1 10 5 2 3 1 0 4 0 0 1 0 0 2 1 0 10 6 0 U67 10 2 2 8 6 3 5 3 1 4 3 1 4 2 2 7 3 1 5 4 1 3 2 1 4 2 0 3 2 2 1 1 1 8 6 0 0 0 0 9 2 2 2 2 2 U68 9 5 5 0 0 0 1 0 0 4 1 0 1 1 1 7 3 3 1 1 1 10 6 1 5 5 5 10 3 3 7 6 6 0 0 0 6 0 0 5 4 4 6 4 3 U69 6 1 1 8 2 0 0 0 0 2 1 1 6 2 0 0 0 0 2 2 1 0 0 0 2 1 0 2 2 0 5 1 0 4 2 1 7 2 0 8 8 2 3 0 0 U70 4 4 3 4 2 1 10 10 3 1 0 0 10 1 0 5 0 0 3 3 2 7 1 0 2 1 0 10 1 1 0 0 0 4 4 1 2 1 0 0 0 0 4 0 0 U71 6 1 1 5 3 2 8 2 2 9 7 2 1 0 0 1 1 0 8 2 0 0 0 0 8 7 0 5 5 1 0 0 0 7 7 6 8 8 5 3 1 0 5 5 3 U72 4 4 3 4 2 0 5 2 1 3 3 1 8 8 2 8 6 0 5 4 2 0 0 0 4 3 3 6 2 2 7 7 3 7 2 2 4 4 2 0 0 0 4 3 1 U73 3 3 3 9 5 4 0 0 0 2 1 0 4 3 2 0 0 0 10 8 3 0 0 0 0 0 0 6 1 1 2 1 1 7 7 2 1 1 0 9 8 6 4 2 1 U74 9 6 1 10 5 3 2 0 0 2 2 2 3 1 0 4 3 2 10 0 0 7 4 1 8 6 0 9 9 0 5 5 2 1 0 0 7 6 6 2 2 1 9 6 2 U75 1 1 1 9 6 0 4 4 2 8 8 7 10 10 0 10 5 5 2 0 0 1 0 0 2 2 0 1 0 0 5 2 1 6 1 1 10 0 0 3 2 1 2 0 0

237

P14 P15 P16 P17 P18 P19 P20 P21 P22 P23 P24 P25 P26 P27 P28 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 U76 10 10 0 5 3 0 5 4 1 7 3 0 5 4 2 4 4 0 8 1 1 1 1 1 2 2 0 5 3 2 9 4 4 1 0 0 1 1 1 1 1 1 5 4 4 U77 4 0 0 4 2 1 9 2 2 10 2 1 1 0 0 8 7 2 7 5 5 10 5 0 6 0 0 9 9 7 10 3 1 9 8 8 7 5 0 3 2 1 2 1 1 U78 5 5 3 6 3 3 3 3 0 9 3 1 3 3 3 2 0 0 1 1 1 5 3 2 7 5 3 6 0 0 4 3 1 2 1 1 10 8 3 2 0 0 2 1 0 U79 5 5 5 8 5 0 9 4 1 4 4 3 2 0 0 1 0 0 6 6 0 5 2 2 2 2 0 3 3 2 10 4 4 0 0 0 7 1 0 5 2 0 10 2 2 U80 3 1 0 2 1 0 5 2 0 10 2 2 1 0 0 0 0 0 1 1 0 1 0 0 1 1 0 2 1 0 6 3 1 7 5 1 8 6 2 4 3 0 7 7 7 U81 5 5 1 6 6 6 8 7 5 1 1 1 6 0 0 10 9 2 10 8 3 2 2 2 9 4 3 0 0 0 2 1 1 10 4 4 0 0 0 8 1 0 7 1 0 U82 5 5 1 8 4 2 1 1 0 1 0 0 5 4 2 2 2 1 2 0 0 2 0 0 6 0 0 5 5 4 4 3 3 10 1 1 8 0 0 6 5 0 9 9 4 U83 9 6 2 5 4 4 8 3 2 9 4 2 9 3 3 8 8 4 0 0 0 10 2 0 6 3 3 2 0 0 5 2 0 3 1 0 6 5 3 4 0 0 0 0 0 U84 7 2 0 10 10 8 1 1 0 10 7 3 3 0 0 6 2 0 6 0 0 10 5 5 2 2 2 7 2 2 8 6 4 5 3 2 5 4 1 8 8 1 4 4 4 U85 7 5 0 7 5 5 4 4 3 5 0 0 2 2 2 5 0 0 5 2 2 1 1 1 8 0 0 1 1 1 4 4 4 4 2 2 6 5 0 8 3 0 10 2 2 U86 4 0 0 4 3 1 0 0 0 9 2 0 10 2 2 10 1 0 0 0 0 8 3 3 5 2 0 1 0 0 4 3 1 10 2 2 7 1 1 3 0 0 4 0 0 U87 7 4 4 10 10 5 0 0 0 4 3 3 5 4 3 3 3 3 6 6 0 10 4 2 5 3 2 1 1 0 2 1 0 8 0 0 4 1 0 7 1 0 3 1 1 U88 2 1 0 10 3 2 3 2 2 5 3 3 1 0 0 5 2 0 7 2 0 4 3 1 3 1 0 7 7 5 5 2 0 0 0 0 1 1 0 5 4 2 2 0 0 U89 6 5 3 6 6 0 4 2 2 4 0 0 2 2 0 8 2 1 4 1 1 9 9 6 3 3 2 4 0 0 1 1 1 1 0 0 1 0 0 2 0 0 4 2 1 U90 4 1 0 7 5 3 0 0 0 6 5 2 1 1 0 4 2 2 3 0 0 9 7 2 3 2 1 1 0 0 8 7 5 1 1 0 6 3 3 5 1 0 1 1 1 U91 5 4 2 6 1 1 7 0 0 4 3 3 5 4 1 10 3 3 5 2 1 10 7 7 0 0 0 5 1 1 9 3 3 10 0 0 8 6 3 3 2 0 5 0 0 U92 0 0 0 7 3 1 10 4 2 9 9 2 8 1 1 7 6 0 7 1 1 5 4 1 2 0 0 5 0 0 3 2 0 9 6 6 4 3 1 3 0 0 9 0 0 U93 3 2 1 10 0 0 2 0 0 9 5 1 1 0 0 2 0 0 9 8 2 2 1 1 2 2 2 7 6 0 10 5 2 2 2 2 7 2 2 6 4 2 2 1 0 U94 6 0 0 6 0 0 2 0 0 9 0 0 5 4 4 5 1 1 10 8 5 4 0 0 4 3 0 10 9 5 5 1 1 8 8 5 1 0 0 8 3 3 9 2 2 U95 1 1 0 0 0 0 1 0 0 6 4 1 7 6 1 3 3 0 1 1 1 9 1 0 9 9 4 8 7 4 5 3 1 4 4 4 2 1 1 2 0 0 9 1 0 U96 10 0 0 2 2 2 5 0 0 1 1 0 2 2 1 5 3 3 2 2 2 8 4 3 2 0 0 5 4 2 9 8 0 2 2 0 1 1 0 8 3 1 5 3 0 U97 10 3 0 5 5 1 5 4 0 9 4 1 0 0 0 5 3 3 3 0 0 9 1 0 5 0 0 1 1 0 9 9 5 8 3 3 5 0 0 7 1 0 0 0 0 U98 4 0 0 4 2 2 2 2 1 10 10 6 9 1 0 1 0 0 3 2 1 3 1 0 1 0 0 4 3 1 2 1 0 1 0 0 7 6 6 9 9 5 4 1 0 U99 2 1 1 9 5 0 2 0 0 0 0 0 9 3 3 2 0 0 0 0 0 0 0 0 6 6 3 0 0 0 5 4 3 10 1 0 7 3 3 5 1 0 5 4 4 U100 0 0 0 7 0 0 8 8 7 5 1 0 0 0 0 5 0 0 8 5 4 2 2 1 1 1 1 7 4 1 9 7 7 5 3 0 5 2 0 10 5 4 8 4 1

238

P29 P30 P31 P32 P33 P34 P35 P36 P37 P38 P39 P40 P41 P42 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 U01 5 0 0 1 1 1 1 0 0 5 3 0 7 2 0 8 2 0 4 0 0 6 6 0 9 1 0 8 2 2 5 3 2 3 3 0 2 2 2 3 2 0 U02 1 1 1 7 2 1 5 0 0 10 4 3 1 1 0 9 5 4 5 1 1 10 5 5 7 4 0 5 2 0 9 3 3 10 6 6 8 4 3 10 1 1 U03 2 0 0 6 6 4 4 3 2 8 7 2 2 1 1 10 9 3 6 5 3 7 4 3 2 0 0 4 1 1 3 1 1 6 2 1 0 0 0 3 0 0 U04 3 2 1 0 0 0 6 5 5 10 10 6 6 0 0 3 2 1 10 7 0 9 1 1 10 3 2 1 1 0 5 3 0 6 3 1 8 4 1 0 0 0 U05 3 0 0 7 6 5 0 0 0 1 0 0 7 5 2 3 1 1 6 3 0 9 8 5 5 2 2 3 1 1 8 6 1 6 0 0 7 5 5 5 2 0 U06 3 3 1 4 3 3 8 4 2 3 0 0 2 1 1 10 8 8 4 3 2 9 0 0 8 5 1 6 3 1 4 4 4 7 4 2 1 0 0 8 1 1 U07 7 1 0 2 2 2 2 0 0 1 1 1 1 1 0 8 2 2 4 3 0 9 4 2 8 7 3 3 1 1 3 0 0 4 4 4 8 5 2 6 2 0 U08 10 7 1 5 0 0 3 3 0 10 6 0 5 3 0 6 1 1 8 0 0 2 1 0 9 0 0 1 1 0 7 3 1 10 5 0 2 1 1 6 6 0 U09 9 6 1 3 2 0 9 1 0 7 2 0 9 3 1 7 3 0 1 0 0 7 2 1 5 4 1 4 2 2 0 0 0 6 5 0 5 0 0 8 6 2 U10 2 0 0 10 3 2 5 0 0 2 2 2 2 1 0 6 1 0 7 1 1 7 3 0 9 5 2 1 0 0 0 0 0 5 2 0 6 1 0 0 0 0 U11 6 6 3 0 0 0 9 8 6 7 2 1 8 6 0 5 3 1 7 2 1 6 6 0 4 0 0 1 1 0 3 3 2 10 1 0 1 0 0 6 5 2 U12 2 1 1 5 3 2 7 0 0 1 1 1 7 1 0 7 6 2 10 3 0 8 0 0 1 0 0 3 1 1 6 5 1 5 3 2 9 4 1 0 0 0 U13 3 3 2 1 1 1 3 0 0 1 0 0 10 4 4 10 5 4 7 0 0 6 6 0 3 0 0 6 6 0 4 2 0 5 1 0 7 5 1 3 3 1 U14 10 0 0 4 4 2 7 6 3 6 2 2 8 5 1 2 1 0 3 2 2 6 5 0 10 1 0 1 0 0 0 0 0 2 0 0 0 0 0 5 3 0 U15 7 1 0 6 1 1 7 6 6 8 5 4 10 4 3 3 0 0 3 2 0 5 5 0 6 2 1 3 1 1 3 3 3 2 2 0 5 0 0 2 0 0 U16 2 1 0 10 10 6 8 2 0 10 0 0 0 0 0 3 1 0 9 6 3 3 0 0 7 2 1 4 0 0 3 3 3 4 3 1 5 0 0 10 5 0 U17 5 5 0 0 0 0 4 1 0 5 4 1 9 5 0 1 0 0 6 6 0 8 1 1 4 0 0 7 3 2 8 6 1 4 3 0 5 0 0 2 2 1 U18 5 2 0 8 6 4 5 5 1 6 6 5 9 4 0 2 0 0 10 7 3 10 10 0 5 1 0 8 4 3 8 0 0 3 1 1 2 1 0 8 5 3 U19 10 3 3 3 1 1 5 1 0 2 2 1 1 1 1 3 1 1 8 1 0 9 6 3 5 4 4 4 0 0 8 2 0 3 3 2 0 0 0 1 1 1 U20 8 1 1 9 9 9 5 1 0 1 1 0 7 4 0 9 3 2 0 0 0 4 2 2 9 8 8 8 2 0 8 6 1 9 1 1 9 6 4 2 1 0 U21 6 2 0 6 5 0 4 3 3 7 3 3 6 2 1 10 7 5 10 3 1 4 3 0 7 1 0 3 3 2 0 0 0 10 4 4 3 0 0 0 0 0 U22 5 1 0 5 0 0 7 2 1 8 0 0 4 0 0 1 0 0 7 6 0 10 9 3 0 0 0 1 0 0 10 8 3 5 2 2 8 5 1 7 4 3 U23 10 10 8 10 8 6 3 2 0 7 7 6 0 0 0 6 1 0 6 3 1 5 4 4 9 1 1 4 4 2 9 0 0 5 2 0 9 4 1 0 0 0 U24 1 1 1 4 2 2 10 0 0 1 0 0 3 2 2 2 1 1 6 1 0 7 1 1 5 1 1 3 2 1 7 1 0 2 2 2 6 2 2 6 5 5 U25 1 1 1 3 2 1 3 1 1 10 4 2 7 4 3 6 1 0 4 4 2 4 3 0 3 1 0 3 1 1 10 8 2 3 3 0 0 0 0 8 3 1

239

P29 P30 P31 P32 P33 P34 P35 P36 P37 P38 P39 P40 P41 P42 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 U26 6 6 5 0 0 0 9 0 0 7 5 5 0 0 0 7 7 5 8 8 8 8 4 2 4 2 2 8 8 4 2 0 0 1 1 1 6 5 5 7 4 2 U27 7 4 4 3 0 0 9 9 2 5 4 0 3 3 3 2 2 1 7 2 2 3 0 0 9 5 2 8 1 1 4 2 0 7 6 2 3 3 2 7 0 0 U28 9 7 1 3 2 1 9 4 0 8 6 2 8 4 1 9 5 5 0 0 0 5 4 4 3 1 0 5 3 3 3 3 2 8 3 2 8 8 4 10 5 5 U29 3 3 1 4 2 2 9 4 0 5 5 4 8 8 2 0 0 0 6 4 2 0 0 0 2 0 0 9 6 4 7 4 2 7 7 2 8 4 3 6 2 2 U30 4 4 4 5 4 0 6 2 1 4 4 3 9 9 3 2 1 1 5 0 0 3 2 1 5 5 5 9 3 1 2 2 2 10 9 0 2 1 0 0 0 0 U31 3 3 2 4 0 0 6 4 0 7 0 0 3 0 0 6 5 2 8 5 3 4 1 1 5 3 3 4 2 1 0 0 0 9 4 4 7 7 6 1 0 0 U32 4 4 1 6 3 1 2 0 0 2 2 2 6 1 1 3 1 1 6 0 0 4 0 0 9 8 1 2 1 0 3 2 2 2 1 1 2 0 0 8 3 1 U33 10 3 3 2 1 1 6 0 0 5 1 0 8 6 6 8 1 1 1 1 0 2 1 1 7 1 0 1 1 0 6 0 0 7 2 1 4 2 2 9 5 5 U34 9 8 8 4 0 0 6 5 3 4 0 0 1 0 0 6 4 4 10 6 6 4 4 2 4 4 1 10 1 0 8 6 5 5 5 1 7 4 2 7 7 1 U35 3 2 2 4 2 2 2 1 0 5 3 2 7 7 4 0 0 0 2 0 0 7 0 0 5 2 1 8 2 0 2 1 0 8 8 8 4 1 0 5 2 1 U36 10 1 0 1 0 0 7 4 0 10 10 7 5 2 1 3 1 0 6 2 2 3 0 0 3 0 0 7 3 2 1 1 0 2 0 0 8 0 0 5 4 3 U37 8 3 3 3 2 1 6 0 0 8 4 2 10 6 0 9 0 0 0 0 0 3 2 0 8 2 1 3 2 1 4 3 1 4 4 2 2 2 0 4 0 0 U38 10 4 3 1 0 0 5 4 4 5 3 1 7 1 1 2 0 0 0 0 0 9 9 6 8 8 6 4 0 0 10 7 6 1 0 0 3 3 0 7 2 0 U39 3 0 0 7 4 4 9 8 3 0 0 0 3 3 2 4 4 3 6 3 0 2 2 1 7 7 7 7 2 0 10 9 2 3 2 2 6 6 1 0 0 0 U40 4 3 1 0 0 0 10 9 0 9 5 4 2 1 0 0 0 0 1 1 1 9 2 1 6 0 0 1 1 1 3 0 0 10 3 2 1 0 0 2 0 0 U41 1 1 1 5 3 1 5 5 2 4 2 2 3 0 0 7 6 6 2 0 0 3 2 1 4 2 2 6 6 1 5 4 2 10 4 2 7 0 0 8 6 2 U42 8 0 0 5 1 0 8 4 4 10 8 4 5 4 0 5 4 1 2 0 0 9 2 0 10 2 1 1 0 0 6 3 1 6 6 3 5 4 1 9 5 2 U43 7 6 0 4 1 0 9 5 1 2 1 1 0 0 0 9 2 0 10 10 0 6 0 0 7 5 0 3 1 1 0 0 0 10 10 8 1 0 0 10 9 0 U44 1 1 1 0 0 0 1 1 1 4 4 0 7 5 4 3 1 0 9 2 0 0 0 0 2 0 0 6 5 5 3 2 2 6 6 6 4 0 0 6 6 2 U45 8 5 5 7 2 1 8 5 3 5 4 0 2 1 1 6 2 2 10 4 3 5 2 1 7 4 4 6 3 2 8 7 1 7 6 0 8 0 0 10 8 4 U46 2 2 1 7 3 3 7 0 0 7 4 3 5 3 3 4 3 0 3 2 0 6 1 1 6 1 0 8 6 1 8 2 2 2 1 0 10 7 0 3 2 0 U47 0 0 0 3 3 1 3 2 0 6 2 2 2 1 0 2 2 1 3 0 0 1 0 0 4 1 0 10 1 0 2 1 0 9 0 0 0 0 0 5 5 4 U48 6 5 3 4 3 0 2 2 2 1 1 1 3 2 0 3 0 0 5 4 1 7 1 0 3 1 0 1 1 0 10 4 0 2 2 1 8 3 1 9 9 2 U49 3 0 0 5 1 1 3 3 1 10 4 0 7 0 0 8 6 5 7 1 1 7 4 4 3 1 1 1 0 0 5 1 0 2 0 0 5 2 2 3 0 0 U50 2 1 1 5 3 3 3 0 0 4 4 0 7 7 2 10 6 0 5 4 4 5 4 3 8 4 0 4 1 0 7 7 7 2 2 2 10 2 1 5 2 1

240

P29 P30 P31 P32 P33 P34 P35 P36 P37 P38 P39 P40 P41 P42 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 U51 5 0 0 7 2 0 6 1 1 10 10 3 5 2 0 7 2 0 8 4 4 6 0 0 9 5 1 5 1 1 7 1 1 9 3 0 9 6 3 3 3 0 U52 8 7 6 6 2 1 9 6 0 5 5 3 8 7 1 1 0 0 3 2 2 9 1 1 0 0 0 1 0 0 4 4 1 9 4 4 10 3 2 1 1 1 U53 6 2 0 0 0 0 10 6 3 7 7 0 9 4 3 7 0 0 0 0 0 0 0 0 7 6 5 4 2 0 3 0 0 1 1 1 8 1 1 0 0 0 U54 9 8 5 1 0 0 5 5 0 10 6 4 2 2 1 0 0 0 6 2 1 6 3 3 8 7 1 10 6 4 3 2 1 3 2 2 8 3 3 0 0 0 U55 1 1 1 7 6 2 9 9 9 9 3 1 7 5 1 8 8 8 0 0 0 9 8 1 7 5 4 5 0 0 8 7 4 3 2 2 4 0 0 3 2 1 U56 8 0 0 0 0 0 1 0 0 1 1 1 0 0 0 3 1 0 6 4 3 0 0 0 2 0 0 3 0 0 10 7 2 4 1 0 3 1 0 9 6 4 U57 1 0 0 2 1 0 0 0 0 0 0 0 7 5 5 9 7 6 9 7 6 9 5 1 4 4 1 1 1 0 10 9 6 2 0 0 0 0 0 3 3 0 U58 3 2 2 10 7 1 9 3 0 9 5 5 2 2 2 6 3 3 4 3 0 3 1 0 3 2 1 0 0 0 5 4 2 7 5 2 4 4 3 9 5 2 U59 6 6 5 2 0 0 0 0 0 8 4 4 1 0 0 3 0 0 2 1 1 10 2 2 9 4 4 5 0 0 1 0 0 3 0 0 7 0 0 2 2 0 U60 4 2 2 0 0 0 4 1 1 2 2 1 0 0 0 5 4 3 7 4 3 0 0 0 10 8 5 3 0 0 0 0 0 5 0 0 6 3 1 6 2 1 U61 5 0 0 3 3 2 7 5 5 8 7 1 5 4 1 4 0 0 9 1 1 0 0 0 10 10 8 10 3 2 4 0 0 1 0 0 9 6 0 7 5 2 U62 6 6 6 8 1 1 8 4 2 9 0 0 7 3 0 4 0 0 6 4 3 2 1 1 0 0 0 6 0 0 10 2 2 5 1 0 1 0 0 7 3 0 U63 6 4 1 10 7 5 4 4 2 4 3 0 3 3 2 1 0 0 10 9 5 1 0 0 4 4 2 5 5 1 10 1 1 8 0 0 7 2 1 4 4 1 U64 0 0 0 0 0 0 10 9 1 3 2 2 7 1 0 3 1 1 5 1 1 9 5 3 0 0 0 4 0 0 10 2 0 5 0 0 2 2 2 10 5 3 U65 9 7 1 9 2 0 5 1 1 5 0 0 1 0 0 5 0 0 3 2 2 10 2 2 8 4 3 5 2 1 6 3 0 4 0 0 7 3 2 5 4 4 U66 5 5 2 3 1 0 4 1 0 5 3 2 6 1 1 7 1 0 7 7 0 8 3 1 9 7 3 3 1 1 0 0 0 6 3 1 9 7 0 3 0 0 U67 8 3 2 6 1 0 4 3 2 6 3 0 8 6 3 5 2 0 0 0 0 6 4 2 7 7 6 1 1 0 4 0 0 10 10 10 0 0 0 7 5 4 U68 10 8 0 4 4 0 3 3 2 2 1 0 8 0 0 3 3 0 0 0 0 7 1 1 8 6 2 8 0 0 9 8 5 5 1 1 5 3 3 5 4 4 U69 10 1 1 5 1 0 9 3 0 3 1 1 4 3 0 0 0 0 6 2 2 6 3 3 7 3 0 4 1 1 5 3 1 9 8 2 0 0 0 6 4 3 U70 2 1 0 0 0 0 3 1 0 6 5 5 10 10 1 10 0 0 4 1 1 9 2 0 2 0 0 2 1 0 0 0 0 3 1 1 10 7 5 6 2 2 U71 1 0 0 7 3 1 10 3 2 5 5 0 10 3 1 4 3 1 10 9 9 10 8 6 9 0 0 0 0 0 6 0 0 0 0 0 2 1 0 6 0 0 U72 2 2 0 8 2 2 5 1 1 3 0 0 3 3 2 5 5 1 1 1 0 10 10 1 0 0 0 3 0 0 10 6 3 3 0 0 9 5 0 8 3 1 U73 9 9 7 4 1 1 7 7 7 3 0 0 9 3 0 2 2 1 2 1 1 3 1 0 9 1 1 5 3 3 2 1 0 8 5 3 8 8 2 4 1 1 U74 4 2 0 6 2 2 0 0 0 7 4 0 7 7 0 10 5 4 3 3 0 5 4 1 2 1 1 4 1 0 4 4 3 5 3 3 7 6 3 2 2 0 U75 9 4 4 5 2 0 10 1 0 6 5 4 6 3 2 0 0 0 6 3 1 10 5 2 10 6 2 10 3 0 3 3 1 10 10 4 5 5 5 6 0 0

241

P29 P30 P31 P32 P33 P34 P35 P36 P37 P38 P39 P40 P41 P42 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 A01 A02 A03 U76 2 2 2 5 0 0 7 1 1 9 1 0 4 2 2 9 9 6 8 4 4 5 3 3 3 0 0 10 5 3 5 1 0 7 6 4 5 1 1 2 1 1 U77 2 0 0 7 0 0 7 1 0 7 7 0 9 5 3 0 0 0 4 4 0 6 5 0 8 6 6 4 0 0 10 9 2 4 2 0 8 4 3 3 0 0 U78 3 0 0 4 3 2 0 0 0 8 1 1 2 0 0 0 0 0 2 0 0 8 6 0 6 3 0 3 3 1 6 2 2 3 0 0 3 1 1 1 0 0 U79 9 2 0 0 0 0 7 2 0 4 4 4 0 0 0 8 8 2 1 0 0 10 8 1 10 1 1 0 0 0 3 1 1 5 3 1 10 8 4 0 0 0 U80 3 1 1 5 2 1 0 0 0 2 0 0 6 5 2 7 1 0 0 0 0 9 6 5 10 9 7 2 2 0 8 1 0 5 5 0 1 0 0 4 3 1 U81 2 0 0 6 4 0 7 4 2 5 0 0 2 1 1 3 1 0 10 3 2 0 0 0 0 0 0 10 2 0 8 8 2 5 1 1 3 2 2 1 1 1 U82 5 5 0 5 2 1 5 2 0 2 1 1 5 1 0 7 0 0 6 1 1 9 4 1 6 2 1 0 0 0 5 5 3 2 2 0 6 4 0 1 1 1 U83 1 0 0 6 5 5 4 0 0 7 3 3 7 1 1 8 1 1 1 0 0 7 6 1 9 8 1 2 1 1 10 2 1 4 1 1 0 0 0 5 2 1 U84 3 3 0 9 9 6 2 2 1 7 0 0 5 4 2 6 1 1 0 0 0 8 3 3 9 2 2 2 2 0 4 4 2 2 0 0 2 2 0 10 9 7 U85 8 7 0 3 3 2 5 3 0 1 1 0 9 6 5 7 2 2 6 0 0 8 0 0 2 2 2 8 4 2 10 0 0 2 1 1 10 10 2 8 8 5 U86 0 0 0 3 1 0 0 0 0 3 0 0 3 2 0 2 2 2 0 0 0 5 2 0 5 2 2 5 3 2 1 0 0 8 8 0 10 9 0 0 0 0 U87 6 1 1 4 4 1 1 0 0 8 4 1 3 0 0 0 0 0 4 2 2 9 6 6 2 0 0 2 1 0 2 2 1 7 6 3 9 0 0 6 1 0 U88 10 6 4 0 0 0 4 4 1 5 1 0 10 3 0 8 7 4 4 3 1 2 1 0 7 5 5 5 4 1 8 4 4 8 8 2 6 2 0 3 1 1 U89 10 3 2 5 5 1 7 0 0 2 0 0 10 9 5 9 9 4 5 1 1 6 2 2 7 3 3 8 2 0 8 6 6 3 3 3 2 2 0 10 2 2 U90 3 0 0 10 7 6 0 0 0 7 2 1 2 2 2 3 3 2 7 6 6 10 0 0 10 6 1 1 1 0 1 1 0 1 1 1 4 0 0 7 0 0 U91 5 3 1 8 7 4 2 2 1 5 0 0 7 4 3 1 0 0 2 2 0 1 1 0 8 7 4 2 0 0 8 4 3 7 3 3 8 1 0 1 0 0 U92 1 1 1 6 2 1 0 0 0 6 3 3 0 0 0 2 1 0 9 1 1 3 2 2 0 0 0 7 4 4 10 10 10 9 1 0 4 4 2 4 4 4 U93 5 0 0 9 2 0 10 7 4 9 4 4 3 1 0 2 1 0 5 0 0 7 5 1 1 1 0 7 3 0 4 4 4 7 5 2 10 8 3 8 4 1 U94 10 1 0 10 5 2 8 4 4 10 8 1 4 1 0 8 6 3 9 7 3 7 5 0 7 0 0 9 3 1 3 1 0 9 3 3 1 1 0 4 1 0 U95 0 0 0 9 6 0 0 0 0 7 2 0 4 4 2 9 4 0 7 0 0 4 3 1 7 3 1 6 6 6 7 1 0 2 0 0 7 2 1 1 1 1 U96 6 6 4 0 0 0 0 0 0 7 3 2 3 3 1 7 2 2 2 2 0 7 2 0 9 5 2 1 1 0 4 2 0 5 1 0 7 3 2 10 9 9 U97 5 4 2 9 5 1 4 2 1 5 0 0 6 6 4 7 4 3 8 4 0 5 3 2 0 0 0 3 3 3 4 4 2 2 0 0 9 3 2 10 5 4 U98 10 4 0 5 2 1 1 0 0 8 1 0 9 7 0 1 1 0 5 5 1 7 1 0 6 4 2 8 1 0 10 1 1 8 4 2 3 3 3 7 5 2 U99 6 4 2 9 4 3 7 1 0 7 4 0 4 2 0 8 5 0 0 0 0 2 2 1 8 4 4 4 4 2 2 1 0 1 0 0 8 2 2 2 0 0 U100 7 1 0 7 0 0 5 3 2 9 9 7 3 0 0 9 4 4 5 3 0 4 2 2 3 2 2 2 1 1 3 2 0 7 6 3 1 0 0 1 0 0

242

ANEXO A: Procedimento para revisão estruturada sobre Engenharia Kansei

Esta revisão foi realizada por Silva e Amaral (2013). Abaixo o recorte do procedimento, conforme especificado no artigo: O levantamento dos casos de aplicação de Engenharia Kansei foi feito empregando-se a base de dados Web of Science (THOMSON REUTERS, 2013) e o procedimento proposto por Conforto, Amaral e Silva (2011). A palavra-chave “Kansei” foi utilizada para identificar o conjunto inicial de artigos. Indicava ser um termo satisfatório, visto que não é de uso comum, vem sendo aplicado desde a proposição do método e utiliza idioma distinto do inglês (japonês); características que facilitaram a identificação dos artigos. Após a busca, observou-se que outras áreas de estudo também utilizam o mesmo termo para se referir ao termo afetivo ou emocional (tradução do termo em japonês para o português), como por exemplo, Música, Psicologia e Antropologia. O uso de filtros permitiu solucionar o problema. O critério de seleção dos artigos identificados foi a afinidade do estudo com a Engenharia Kansei, a partir da leitura do título e resumo. Como resultado, foram selecionados 116 artigos. Conforme o procedimento proposto em Conforto, Amaral e Silva (2011) foram criados registros dos artigos, critérios para avaliação e foram feitas análises das referências dos textos. Ainda, no Web of Science, gerou-se dois arquivos contendo dados dos trabalhos, como título, resumo, autores, ano de publicação, entre outros. Primeiramente, utilizou-se o software HistCite® para analisar as citações entre os autores desses 116 artigos e gerar as análises bibliométricas. O Microsoft Excel ® foi utilizado para listar e classificar os mesmos em Estudo de Caso, Modelo Teórico, Teórico de Revisão e Survey.

243

244

ANEXO B: Lista de propriedades de referência para o produto telefone celular de Lin et al. (2012)

Nas Tabelas XB.1-XB.5 são apresentadas, em tradução livre, as propriedades para o produto telefone celular obtidas da aplicação do método da decomposição dos Elementos de Interface Humana (HIE), por Lin et al. (2012). Os autores identificaram 90 propriedades divididas em: propriedades de hardware não funcionais (Tabela XB.1), funcionais de entrada (Tabela XB.2) e funcionais de saída (Tabela XB.3); propriedades de software (Tabela XB.4); e, propriedades correlacionadas (Tabela XB.5). As Tabelas indicam a parte do produto cujas propriedades estão associadas, na coluna rotulada com o termo ‘tipo’, e o órgão dos sentidos pelo qual podem ser apreendidas, na coluna rotulada com o termo ‘canal’.

Tabela XB.1. Lista de propriedades de hardware não funcionais Tipo Canal Propriedades 1. Corpo Visual Área do corpo 2. Área do topo do corpo 3. Curvatura do chanfro do topo 4. Curvatura do chanfro da base 5. Curvatura de chanfro entre topo do corpo e lateral 6. Curvatura de chanfro entre base do corpo e lateral 7. Área lateral do corpo 8. Curvatura de chanfro entre lateral do corpo e fronte 9. Curvatura de chanfro entre lateral do corpo e verso 10. Espessura do corpo 11. Brilho da cor do corpo 12. Pureza de cor do corpo 13. Número cores usadas no corpo 14. Brilho do material do corpo 15. Táctil Rugosidade da textura do corpo 16. Ornamento Visual Pureza de cor do ornamento 17. Brilho do material do ornamento 18. Táctil Rugosidade da textura do ornamento

245

Tabela XB.2. Lista de propriedades de hardware funcionais de entrada Tipo Canal Propriedades 19. Entrada Visual Grau de variação de tamanho de botão numérico numérica 20. Área de botão numérico 21. Nitidez numérica de botão numérico 22. Tamanho de fonte de botão numérico 23. Altura de botão numérico 24. Brilho da cor de botão numérico 25. Brilho do material de botão numérico 26. Brilho da luz de fundo de botão numérico 27. Táctil Rugosidade da textura de botão numérico 28. Auditivo Som de feedback de botão numérico 29. Ajuste de Visual Tamanho de botão de volume volume 30. Brilho da cor de botão de volume 31. Táctil Rugosidade da textura de botão de volume 32. Entrada de Visual Tamanho de orifício de entrada de som som 33. Seleção de Visual Grau de organização da disposição de botão de seleção de menu menu 34. Tamanho de botão de seleção de menu 35. Altura de botão de seleção de menu 36. Brilho da cor de botão de seleção de menu 37. Táctil Rugosidade da textura de botão de seleção de menu 38. On/Off Visual Tamanho de botão on/off 39. Altura de botão on/off 40. Grau de organização da disposição de botão on/off 41. Brilho da cor de botão on/off 42. Táctil Rugosidade da textura de botão on/off 43. Navegação Visual Grau de organização da disposição de botão de navegação 44. Tamanho de botão de navegação 45. Altura de botão de navegação 46. Brilho da cor de botão de navegação 47. Brilho do material de botão de navegação 48. Táctil Rugosidade de textura de botão de navegação 49. Envio Visual Grau de organização da disposição de botão de envio 50. Tamanho de botão de envio 51. Altura de botão de envio 52. Brilho da cor de botão de envio 53. Táctil Rugosidade de textura de botão de envio

Tabela XB.3. Lista de propriedades de hardware funcionais de saída Tipo Canal Propriedades 54. Display Visual Área de display 55. Curvatura de chanfro de display 56. Dispositivo Visual Grau de organização da disposição dos botões de seleção de escuta 57. Auditognosis Articulação de som 58. Magnitude de som 59. Intensidade de efeito do som 60. Símbolos Visual Número de cores no logo gráficos 61. Tamanho de logo

246

Tabela XB.4. Lista de propriedades de software Tipo Canal Propriedades 62. Visual Nitidez de interface do software 63. Brilho da luz de fundo da interface do software 64. Tamanho de fonte do menu 65. Tamanho de ícone na interface do software 66. Pureza da cor da fonte 67. Pureza da cor de fundo da interface do software 68. Cor de fonte na interface do software

Tabela XB.5. Lista de propriedades correlacionadas Tipo Canal Propriedades 69. Exeqüibilidade Grau de regra de organização de botão numérico 70. Grau de nível de organização de botão numérico 71. Grau de organização vertical de botão numérico 72. Nível de distância de botão numérico 73. Distância vertical entre botões numéricos 74. Relação de área entre botão numérico e corpo 75. Diferença na cor entre fonte e botão de botão numérico 76. Complexidade de estrutura paralela de árvore de menu 77. Profundidade de árvore de menu 78. Estilo Relação de área entre display e corpo 79. Relação entre altura e largura do display 80. Relação de área entre botão numérico e display 81. Relação entre altura e largura do corpo 82. Simetria entre contorno superior e inferior do corpo 83. Diferença no material entre botão numérico e corpo 84. Diferença na cor entre botão numérico e corpo 85. Relação de área entre botão de navegação e corpo 86. Relação de tamanho entre o botão de navegação e botão on/off 87. Relação entre tamanho do botão de navegação e botão de para seleção no menu 88. Relação entre tamanho do botão de navegação e botão numérico 89. Diferença na cor entre botão de navegação e corpo 90. Diferença no material entre botão de navegação e corpo

247

ANEXO C: Lista de propriedades obtidas das especificações técnicas para o produto telefone celular no site Tudo Celular

Na Tabela XC.1 são listadas as propriedades coletadas no site Tudo Celular, nesse tratadas como especificações técnicas, aplicáveis aos telefones celulares lançados no ano de 2015, coletadas no dia 23/11/2015.

Tabela XC.1. Lista de propriedades obtidas de especificações técnicas do produto telefone celular (continua) Grupo Propriedades 1. Gerais Sistema operacional 2. Dimensões 3. Peso 4. Resistência a água 5. Rede Gsm 6. Dual sim 7. Sim card 8. Dados técnicos Chipset 9. Processador 10. 64 Bit 11. GPU 12. RAM 13. Memória 14. Memória expansível 15. Tela Polegadas 16. Resolução 17. Densidade de pixels 18. Tipo 19. Touchscreen 20. Multitouch 21. Núcleos 22. Proteção 23. Display curvo 24. Câmera Megapixel 25. Resolução 26. Tamanho do sensor 27. Aperture size 28. Estabilização 29. Autofocus 30. Touch focus 31. Flash 32. HDR 33. Dual shot 34. Geo tagging 35. Detecção facial 36. Detecção de sorriso 37. Câmera frontal

248

Tabela XC.1. Lista de propriedades das especificações técnicas dos produtos (conclusão) Grupo Propriedades 38. Vídeo Resolução da gravação 39. FPS da gravação 40. Auto focagem de vídeo 41. Opções de câmera frontal 42. Estabilização de vídeo 43. Vídeo HDR 44. Dual rec 45. Slow motion 46. Stereo sound rec 47. Foto em vídeo 48. Video câmera frontal 49. Opções de câmera frontal 50. Conectividade Wi-Fi 51. Bluetooth 52. IRDA 53. USB 54. NFC 55. GPS 56. Dados GPRS 57. EDGE 58. UMTS 59. HSDPA 60. HSUPA 61. HSPA+ 62. LTE 63. Velocidade máxima de download 64. Velocidade máxima de upload 65. Sensores Acelerômetro 66. Proximidade 67. Giroscópio 68. Bússola 69. Barômetro 70. Impressão digital 71. Gesto 72. Mic. de redução de ruído 73. Funções Player de música 74. Player de vídeo 75. Rádio FM 76. TV 77. Saída de TV 78. Browser 79. Flash player 80. Vibração 81. Viva voz 82. Toques 83. Toques personalizados 84. Outros 85. Bateria Tipo 86. Autonomia de conversação 87. Autonomia em standby 88. Ampere 89. SAR SAR US 90. SAR EU

249

ANEXO D: Algoritmo para análise de cluster k-médias do NaN-toolbox

A Tabela XD.1 apresenta o algoritmo para a realização de análise de cluster k-médias, pertencente ao NaN-Toolbox, para o software Scilab (2016).

Tabela XD.1. Algoritmo para realização de análise de cluster k-médias presente no arquivo Statistical Pattern Recognition Toolbox (continua) 1. function [model. y]=nan_kmeans(X. num_centers. Init_centers) 2. [nargout.nargin]=argn(0); 3. X=X'; 4. [dim.num_data] = size(X); 5. 6. // random inicialization of class centers 7. //------8. if nargin < 3. 9. inx=randperm(num_data); 10. model.X = X(:.inx(1:num_centers)); 11. model.y = 1:num_centers; 12. model.K = 1; 13. else 14. if num_centers ~= size(Init_centers.2) 15. error('Argument num_centers must be equal to the number of columns of Init_centers.'); 16. end 17. model.X = Init_centers; 18. model.y = 1:num_centers' 19. end 20. 21. model.fun = 'knnclass'; 22. 23. old_y = zeros(1.num_data); 24. t = 0; 25. model.MsErr=[]; 26. // main loop 27. //------28. while 1. 29. 30. t = t+1; 31. 32. // classificitation 33. y = knnclass( X. model ); 34. 35. // computation of class centers 36. err = 0; 37. for i=1:num_centers. 38. inx = find(y == i);

250

Tabela XD.1. Código para realização de análise de cluster k-médias do NaN-Toolbox (conclusão) 39. if ~isempty(inx). 40. // compute approximation error 41. err = err + sum(sum((X(:.inx) - model.X(:.i)*ones(1.length(inx)) ).^2)); 42. 43. // compute new centers 44. model.X(:.i) = sum(X(:.inx).2)/length(inx); 45. end 46. end 47. 48. // Number of iterations and Mean-Square Error 49. model.t = t; 50. model.MsErr(t) = err/num_data; 51. 52. if sum( abs(y - old_y) ) == 0. 53. model.X = model.X'; 54. return; 55. end 56. 57. old_y = y; 58. end 59. model.X = model.X'; 60. 61. endfunction 62. 63. function retval=randperm(n) 64. [nargout.nargin]=argn(0); 65. if (nargin == 1 & sum(length(n))==1 & floor (n) == n) 66. if (n >= 0) 67. [junk. retval] = mtlb_sort (rand (1. n)); 68. else 69. error ("randperm: argument must be non-negative"); 70. end 71. else 72. error ("retval = randperm (n)"); 73. end 74. endfunction 75. 76. function model=knnrule(data. K) 77. [nargout.nargin]=argn(0); 78. 79. if nargin <2. K=1; end 80. 81. model=data; 82. model.fun='knnclass'; 83. model.K=K; 84. model.num_data = size(data.X.2); 85. 86. endfunction 87. 88. function y=knnclass(X. model) 89. 90. if ~isfield(model.'K'). model.K=1; end; 91. 92. y = knnclass_mex(X.model.X.model.y. model.K); 93. endfunction;

251

ANEXO E: Algoritmo para análise de cluster usando o método de Ward do IPT3-toolbox

A Tabela XE.1 apresenta o algoritmo para a aplicação do método de Ward para análise de cluster hierárquica, pertencente ao IPT3-Toolbox, para o software Scilab (2016).

Tabela XE.1. Algoritmo para realização da análise de cluster hierárquica utilizando o método de Ward (continua) 1. function [T. perm]=dendrogram(Z. varargin) 2. [nargout.nargin]=argn(0); 3. m = size(Z.1)+1; 4. if nargin < 2 p = 30; 5. end 6. 7. if nargin == 2 8. p = varargin(1); 9. end 10. 11. orientation = 't'; 12. horz = %f; 13. colr = %f; obslabels = []; 14. threshold = 0.7 * max(Z(:.3)); 15. leafOrder = []; 16. 17. if nargin > 2 18. if or(type(varargin(1))==[1.5.8]) //isnumeric 19. p = varargin(1); 20. offset = 1; 21. else 22. p = 30; offset = 0; 23. end 24. 25. if modulo(nargin - offset.2)== 0 26. error('Incorrect number of arguments to DENDROGRAM.'); 27. end 28. okargs = {'orientation' 'colorthreshold' 'labels'.'reorder'}; 29. for j=(1 + offset):2:nargin-2 30. pname = varargin(j); 31. pval = varargin(j+1); k = find(okargs==convstr(pname)); 32. if isempty(k) 33. error('Unknown parameter name: %s.'.pname); 34. elseif length(k)>1 35. error('Ambiguous parameter name: %s.'.pname); 36. else 37. select(k) 38. case 1 then // orientation 39. if ~isempty(pval) 40. if type(pval)==10 // ischar

252

Tabela XE.1. Algoritmo para realização da análise de cluster hierárquica utilizando o método de Ward (continuação) 41. orientation = convstr(pval(1)); 42. else 43. orientation = 0; // bad value 44. end end 45. if ~or(orientation=={'t'.'b'.'r'.'l'}) 46. orientation = 't'; 47. warning('Unknown orientation specified. using ''top''.'); 48. end 49. if or(orientation=={'r'.'l'}) 50. horz = %t; 51. else 52. horz = %f; 53. end case 2 then // colorthreshold 54. colr = %t; 55. if or(type(pval)==10) 56. if strcmpi(convstr(pval).'default') 57. warning('Unknown threshold specified. using default'); 58. end 59. end 60. if or(type(pval)==1) 61. threshold = pval; 62. end case 3 then// labels 63. if or(type(pval)==10) 64. pval = cellstr(pval); 65. end 66. if ~iscellstr(pval) 67. error('Value of ''labels'' parameter is invalid'); 68. end 69. if ~isvector(pval) | length(pval)~=m 70. error('Must supply a label for each observation.'); 71. end obslabels = pval(:); 72. case 4 then // leaf order 73. if ~isvector(pval) | length(pval)~=m 74. error('Leaforder is not a valid permutation.'); 75. end 76. leafOrder = pval; 77. end 78. end 79. end 80. end

81. Z = transz(Z); 82. 83. T = (1:m)'; 84. 85. if (m > p) & (p ~= 0) 86. 87. Y = Z((m-p+1):$.:); // get the last nodes 88. 89. R = unique(Y(:.1:2)); Rlp = R(R<=p); 90. Rgp = R(R>p); 91. 92. W(Rlp) = Rlp; // use current node number if <=p 93. W(Rgp) = setdiff(1:p. Rlp)'; // otherwise get unused numbers <=p 94. W = W(:); 95. T(R) = W(R);

253

Tabela XE.1. Algoritmo para realização da análise de cluster hierárquica utilizando o método de Ward (continuação) 96. // Assign each leaf in the original tree to one of the new node numbers 97. for i = 1:p 98. c = R(i); 99. T = clusternum(Z.T.W(c).c.m-p+1.0); // assign to its leaves. end 100.

101. // Create new. smaller tree Z with new node numbering 102. Y(:.1) = W(Y(:.1)); 103. Y(:.2) = W(Y(:.2)); 104. Z = Y; 105. 106. m = p; 107. end 108. A = zeros(4.m-1); B = A; 109. n = m; 110. X = 1:n; 111. Y = zeros(n.1); 112. r = Y; 113. 114. W = zeros(size(Z.1). size(Z.2)); 115. W(1.:) = Z(1.:); 116. 117. nsw = zeros(n.1); rsw = nsw; clc 118. nsw(Z(1.1:2)) = 1; 119. rsw(1) = 1; 120. k = 2; s = 2; 121. 122. while (k < n) 123. i = s; 124. nz=nsw(Z(i.1:2)); 125. anz=mtlb_any(nz); 126. while rsw(i) | ~anz if rsw(i) & i == s 127. s = s+1; 128. end 129. i = i+1; 130. nz=nsw(Z(i.1:2)); 131. anz=mtlb_any(nz); 132. end 133. 134. W(k.:) = Z(i.:); 135. nsw(Z(i.1:2)) = 1; rsw(i) = 1; 136. if s == i 137. s = s+1; 138. end 139. k = k+1; 140. end 141. 142. g = 1; 143. 144. for k = 1:m-1 // initialize X i = W(k.1); 145. if ~r(i). 146. X(i) = g; 147. g = g+1; 148. r(i) = 1; 149. end 150. i = W(k.2);

254

Tabela XE.1. Algoritmo para realização da análise de cluster hierárquica utilizando o método de Ward (continuação) 151. if ~r(i). 152. X(i) = g; 153. g = g+1; 154. r(i) = 1; end 155. end 156. 157. // if a leaf order is specified use 158. if ~isempty(leafOrder) 159. [dummy. X] = mtlb_sort(leafOrder); 160. end 161. 162. [u.perm]=mtlb_sort(X); 163. label = string(perm'); 164. if ~isempty(obslabels) 165. label = cellstr(label); 166. singletons = find(histc(T.1:m)==1); 167. for j=1:length(singletons) 168. sj = singletons(j); 169. label(perm==sj) = obslabels(T==sj); 170. end 171. end 172. // set up the color 173.

174. theGroups = 1; 175. groups = 0; 176. cmap = [0 0 1]; 177. 178. if colr 179. groups = sum(Z(:.3)< threshold); 180. if groups > 1 & groups < (m-1) 181. theGroups = zeros(m-1.1); numColors = 0; 182. for count = groups:-1:1 183. if (theGroups(count) == 0) 184. P = zeros(m-1.1); 185. P(count) = 1; 186. P = colorcluster(Z.P.Z(count.1).count); 187. P = colorcluster(Z.P.Z(count.2).count); 188. numColors = numColors + 1; 189. theGroups(mtlb_logical(P)) = numColors; 190. end end 191. cmap = jetcolormap(numColors); 192. cmap($+1.:) = [0 0 0]; 193. 194. else 195. groups = 1; 196. end 197. 198. end 199. close; clf; 200. f=gcf(); 201. f.figure_position=[50. 50]; 202. f.figure_size=[800. 600]; 203. col = zeros(m-1.3); 204. 205. for n = 1:(m-1) 206. i = Z(n.1); j = Z(n.2); w = Z(n.3);

255

Tabela XE.1. Algoritmo para realização da análise de cluster hierárquica utilizando o método de Ward (continuação) 207. A(:.n) = [X(i) X(i) X(j) X(j)]'; 208. B(:.n) = [Y(i) w w Y(j)]'; 209. X(i) = (X(i)+X(j))/2; Y(i) = w; 210. if n <= groups col(n.:) = cmap(theGroups(n).:); 211. else 212. col(n.:) = cmap($.:); 213. end 214. end 215. 216. ymin = min(Z(:.3)); 217. ymax = max(Z(:.3)); 218. margin = (ymax - ymin) * 0.05; 219. n = size(label.1); clf; 220.

221. col=floor(col*255) 222. if(~horz) 223. for count = 1:(m-1) 224. plot2d(A(:.count)'.B(:.count)'.color(col(count.1). col(count.2).col(count.3))); 225. end 226. f=gcf(); 227. 228. lims = [0 m+1 max(0.ymin-margin) (ymax+margin)]; a=gca(); 229. a.data_bounds=[0.5 max(0.ymin-margin); n+0.5 ymax+margin]; 230. ntks=a.x_ticks; 231. ntks(2)=[1:size(label.1)]'; 232. ntks(3)=string(label); 233. a.auto_scale="off"; 234. a.x_ticks.labels=""; 235. a.x_ticks=ntks; 236. a.box="off"; 237. mask = mtlb_logical([0 0 1 1]); if orientation=='b' 238. a=gca(); 239. a.x_location = "top"; 240. a.axes_reverse = ["off"."on"."off"] 241. end 242. else 243. for count = 1:(m-1) 244. plot(B(:.count).A(:.count). color(col(count.1). col(count.2).col(count.3))); 245. end 246. f=gcf();

247. lims = [max(0.ymin-margin) (ymax+margin) 0 m+1 ]; 248. a=gca(); 249. a.data_bounds=[0.5 max(0.ymin-margin); n+0.5 ymax+margin]; 250. ntks=a.y_ticks; 251. ntks(2)=[1:size(label.1)]'; 252. ntks(3)=string(label); 253. a.auto_scale="off"; 254. a.y_ticks.labels=""; 255. a.y_ticks=ntks; a.box="off"; 256. mask = mtlb_logical([1 1 0 0]); 257. if orientation=='l' 258. a=gca(); 259. a.x_location = "top"; 260. a.axes_reverse = ["on"."on"."off"]; 261. a.y_location="right" 262. end 263. end

256

Tabela XE.1. Algoritmo para realização da análise de cluster hierárquica utilizando o método de Ward (continuação) 264. if margin==0 265. if ymax~=0 266. lims(mask) = ymax * [0 1.25]; 267. else lims(mask) = [0 1]; 268. end 269. end 270. 271. a.tight_limits = "on"; 272. a.data_bounds = [lims(1) lims(3);lims(2).lims(4)]; 273. 274. endfunction 275. // ------276. function T=clusternum(X. T. c. k. m. d) // assign leaves under cluster c to c. 277.

278. d = d+1; 279. n = m; flag = 0; 280. while n > 1 281. n = n-1; 282. if X(n.1) == k // node k is not a leave. it has subtrees 283. T = clusternum(X. T. c. k. n.d); // trace back left subtree 284. T = clusternum(X. T. c. X(n.2). n.d); 285. flag = 1; break; end 286. end 287. 288. if flag == 0 & d ~= 1 // row m is leaf node. 289. T(X(m.1)) = c; 290. T(X(m.2)) = c; 291. end 292. endfunction 293. // ------294. function T=colorcluster(X. T. k. m) // find local clustering 295.

296. n = m; 297. while n > 1 298. n = n-1; 299. if X(n.1) == k // node k is not a leave. it has subtrees 300. T = colorcluster(X. T. k. n); // trace back left subtree 301. T = colorcluster(X. T. X(n.2). n); 302. break; 303. end end 304. T(m) = 1; 305. endfunction 306. // ------307. function Z=transz(Z) 308. 309. m = size(Z.1)+1; 310. for i = 1:(m-1) 311. if Z(i.1) > m 312. Z(i.1) = traceback(Z.Z(i.1)); end 313. if Z(i.2) > m 314. Z(i.2) = traceback(Z.Z(i.2)); 315. end 316. if Z(i.1) > Z(i.2) 317. Z(i.1:2) = Z(i.[2 1]); 318. end 319. end 320. endfunction

257

Tabela XE.1. Algoritmo para realização da análise de cluster hierárquica utilizando o método de Ward (conclusão) 321. function a=traceback(Z. b) 322. 323. m = size(Z.1)+1; 324. if Z(b-m.1) > m 325. a = traceback(Z.Z(b-m.1)); 326. else 327. a = Z(b-m.1); 328. end 329. if Z(b-m.2) > m 330. c = traceback(Z.Z(b-m.2)); 331. else 332. c = Z(b-m.2); 333. end

334. a = min(a.c); 335. endfunction

258