Blog

(Versão Enriquecida de Dados)

Tim Gohmann, Ronald S. Mundy e Christian Goy, Behavioral Science Lab.

(Autor correspondente: tim@behavioralsciencelab.com)

Onde Estamos Indo?

Economia Comportamental está virando o sinônimo moderno para psicologia, como a psicologia é definida pelo Dicionário de Inglês Oxford, “O estudo científico da mente humana e suas funções, especialmente aquelas que afetam o comportamento em um dado contexto.” Portanto, para todos os lados que olhamos, nós vemos uma explicação de EC para o comportamento, como “aversão à perda,” “evitação de risco,” ou “viés de dotação.” EC é agora oferecida com sucesso por uma consultoria conhecida como uma base da melhoria da relação com clientes, e alguns de nós até ensinam estes conceitos como “janelas” para a mente de um consumidor. EC se tornou não só a definição de psicologia na prática comercial, mas aquele graal tão buscado da psicologia – a explicação unificada do comportamento. Nós até aplicamos nossos próprios vieses pejorativos, como tomada de decisão “irracional” ou “não-ótima” para nos ajudar a aplicar com mais facilidade as verdades do graal. Corremos o risco da comercialização da EC se tornar agente financiador da sua ciência.

 

Alguns fogem desta direção. Em The Nature and Predictive Power of Preferences: Global Evidence (“A Natureza e Poder Preditivo das Preferências: Evidência Global”) descrito em outro lugar do guia de 2016, Armin Falk e seus colaboradores mediram preferência em um ampla gama de tarefas em 76 países. Apesar de ter tido um efeito preditivo da preferência principal de país de origem, as mais significantes covariáveis de preferência foram entre diferenças de entrevistados na propensão a tomar risco e lidar com incerteza e recompensas atrasadas. A única verdade universal era de que preferências são baseadas em diferenças individuais definidas em construtos psicológicos.

Preferência em Marketing

Estranhamente coincidente ao GPS, em 2015 uma investigação abrangente dos previsores de mudança de market share dos consumidores englobando nove categorias e 85 marcas foi relatado pelo Marketing Accountability Standards Board (Conselho de Padrões de Responsabilidade no Marketing – MASB). Este projeto-marco isolou a preferência MSW-ARS como o único previsor confiável de compra de consumidores. Infelizmente, tentativas de “subir” na cadeia causal e prever preferência de marca foram em grande parte mal sucedidos. Isolar os antecedentes de preferência há muito sofre de uma fraca ou inconsistente relação com preferência usando uma mentalidade unificadora. Infelizmente, esta inabilidade de prever preferência resultou em praticantes se valendo de alternativas mais previsíveis, porém menos válidas, à preferência com que tomar decisões de marketing, como percepção da marca, “simpatia” ou “reconhecimento.” O resultado era que profissionais do marketing caíram no “mau hábito” de usar regras de decisão que tinha pouca, se alguma, validade científica em prever mudança de participação e, portanto, pouca ou nenhuma chance de adicionar valor financeiro para suas organizações.

Tentando Entender

Em 2011 o que veio a se tornar o Behavioral Science Lab um ano depois começou a tentar entender por que os consumidores escolhem uma alternativa de compra e não a outra, isto é: preferência do consumidor. Nós começamos este processo nos perguntando por que tentativas anteriores de que tínhamos ciência haviam falhado. Falhas em prever preferência se encaixavam em dois tipos: 1) casos em que a previsibilidade era razoavelmente alta por que estados finais de uso generalizados foram usados como previsores, mas providenciaram só um guia muito geral para melhorias para profissionais de marketing, ou 2) casos que foram caracterizados por uma fraca relação preditiva com a preferência, mas cujas variáveis continham suficiente especificidade para oferecer um guia claro para melhoria para profissionais do marketing. Nos parece que prover especificidade clara com forte relação com a preferência era para onde precisávamos ir. De alguma forma, a maneira como estávamos conduzindo a pesquisa nos havia colocado neste dilema. Os resultados da nossa análise interna são mostrados na Tabela 1 abaixo.

Tradução Gohmann - Mundy - Goy - Tabela 1

Tabela 1

O que nós precisávamos era de um modelo que providenciava o elo entre as características percebidas do produto ou serviço e o valor esperado resultante (utilidade) para o comprador. Por que não haviam bons casos? Variáveis erradas? Variáveis insuficientes? Modelos de um – não de múltiplos – níveis? Matemática errada subjacente ao(s) modelo(s)? Técnica errada de escalonação? O que estava acontecendo para limitar tanto a nossa habilidade de prever utilidade e preferência e, então, fazer o elo com a probabilidade de compra? Se entrevistados podiam fazê-lo no mundo real, por que não conseguíamos em um ambiente de pesquisa? O que estava errado?

Nossa conclusão foi de que não era só uma coisa, mas algo sistemático sobre como a pesquisa estava sendo conduzida que limitava sua capacidade de descrever plenamente a base da preferência. Então começamos por listar todas as potenciais fontes de viés de erro nas técnicas de pesquisa que nos haviam levado às conclusões da Tabela 1. A Tabela 2 abaixo as lista.

Tradução Gohmann - Mundy - Goy - Tabela 2

Tabela 2

Então nós olhamos para abordagens de pesquisa para minimizar ou eliminar cada fonte de viés/erro na Tabela 2. Nós estávamos preocupados que até nossas próprias perguntas estavam “conduzindo” entrevistados a nos “agradar” com suas respostas. (Nós depois aprendemos que a indústria de pesquisa já tinha feito um bom trabalho de treinar entrevistados a dizer o que eles achavam que os pesquisadores queriam ouvir.) Infelizmente, nossos próprios viéses, crenças e maus hábitos adquiridos depois de mais de, somados, 60 anos administrando muitos milhares de estudos limitou nossa perspectiva. Então nós olhamos para abordagens fora da pesquisa de marketing para nos guiar em responder cada uma das quadro perguntas mostradas na Tabela 3 abaixo.
Tradução Gohmann - Mundy - Goy - Tabela 3

Tabela 3

Fenomenologia nos disse que a raiz da preferência é provavelmente uma experiência individual para a qual um processo consciente ou até palavras podem não estar presentes. Presumindo que o entrevistado tinha pouca ou nenhuma habilidade para descrever com precisão seus componentes ou traçar o processo com o qual ele ocorre, nós precisávamos de uma metodologia que otimizasse o acesso do entrevistado à experiência mais estreitamente ligada a fazer uma escolha de preferência.

Hermenêutica sugere que as palavras associadas a uma experiência ou conceito podem ser tão idiossincráticas que a interpretação errônea é mais provável que a correta. Precisávamos de um processo pelo qual o dono do fenômeno estava empoderado a precisamente comunicar o seu significado para outros sem medo de censura ou erro de interpretação.

Teoria da Decisão nos deu a perspectiva de como um cálculo compilava pedações de informação na base de uma decisão de preferência. Precisávamos aplicar qualquer que seja o processo que entrevistados de fato usavam.

Teoria de Sistemas sugeria que havia ordem, direção e estabilidade em como relações entre elementos (neste caso pedaços de informação) eram administrados e como diferentes sistemas eram, de fato, “modelos” de como utilidades eram construídas. Precisávamos modelar quaisquer que fossem os modelos que entrevistados individuais de fato usavam.

Objetivos

Baseado nas disciplinas acima, nós primeiro desenvolvemos um modelo conceitual do que estávamos tentando realizar, conforme mostrado na Figura 1 abaixo. Nós acreditávamos que a preferência por marca era o resultado de uma expectativa de utilidade da marca que era determinada tanto por fatores psicológicos como econômicos. Desta forma nós montamos um modelo de preferência que pudesse capturar todos os potenciais fatores da utilidade. Nós também previmos que as diferenças entre utilidade esperada e obtida se refletiriam em mudanças de preferência. Em suma, nós especificamos um modelo conceitual para o qual não existiam dados e acreditávamos que nenhum dado obtido com as técnicas atuais seria suficiente.

Modelo da Economia Comportamental

Figura 1: Modelo de Economia Comportamental

 

Com o objetivo de “preencher” o modelo conceitual com dados que ainda não existiam e nos pautando nas quatro disciplinas nas quais basear o desenvolvimento de metodologias, nós desenvolvemos uma série de coletas de dados e processos de análise delineados na Tabela 4 abaixo mas com uma diretriz – remover fontes externas de viés e minimizar a probabilidade de erro de interpretação dos resultados. Para atingir este objetivo, entrevistados teriam que estar “no comando” de seus próprios processos qualitativos para que o material desenvolvido pudesse ser usado na porção quantitativa subsequente.

Tradução Gohmann - Mundy - Goy - Tabela 4

Tabela 4

Resultados Até Agora

Com base em todos os estudos finalizados, incluindo dois usando preferência de marca MSW-ARS, nós encontramos o seguinte:

  1. No processo de coleta e análise de dados qualitativos, várias centenas de “pedaços” individuais brutos de dados relacionados a utilidade são obtidos. Tanto o conteúdo e volume deste material frequentemente surpreendem entrevistados para quem ele não havia sido previamente disponibilizados.Em média, 20 ou mais “pedaços” individuais de material tornam-se disponíveis para cada entrevistado. Um conjunto editado destes pedaços em um saco só de secador de cabelo seguem:“Eu queria muito que tivesse uma forma mais rápida de deixar meu cabelo seco e pronto para partir.”
    “Demora de 5 a 10 minutos para secar meu cabelo com secador.”
    “Secar meu cabelo com secador demora muito tempo.”
    “Eu estou sempre com pressa de secar meu cabelo com secador.”
    “Quando estou secando meu cabelo, quero terminar rápido.”
    “Demoro muito para secar meu cabelo. Eu só o faço quando eu absolutamente preciso.”
    “Eu uso um secador quando não tenho tempo de deixar meu cabelo secar [no ar].”
    “Eu queria ter mais tempo para secar com secador ou pentear meu cabelo.”
    “Com todos os avanços tecnológicos por aí, tem que ter uma forma mais fácil de secar seu cabelo.”
    “Secar com secador o cabelo dá muito trabalho.”
  2. Pedaços brutos de material são organizados por entrevistados em 6 a 9 tipos (ou “sacos”) cada qual contendo conceitos relacionados, relações ou crenças que tem um papel na construção de utilidade individual a nível do entrevistado. Em um nível individual, cada saco contém uma expectativa ligando uma faceta de sua experiência de uso/posse de produto/serviço a suas relações a ou sentimentos sobre outros ou eles mesmos.O número de sacos de decisão-critério para os últimos sete estudos publicados é como segue:
Tradução Gohmann - Mundy - Goy - Tabela 5

* Um saco excluído

Tabela 5

  1. Para cada entrevistado, um dos 6 a 9 fatores ou sacos de material exerce o papel de o “primeiro” até o “último” nível na ordem psicológica de contribuição para a “soma” da utilidade da opção de escolhaPara compradores na mesma categoria a ordem psicológica de fatores de decisão em um sistema de seis fatores poderia ser como segue:
Tradução Gohmann - Mundy - Goy - Tabela 6

Tabela 6

A ordem destes fatores é determinada por um modelo proprietário ajustado aos dados de cada entrevistado, coletados por um protocolo padronizado. A medida que os fatores caem de ranking (1° para 2° para 3° para Nésimo), também cai a influência de cada no processo de escolha. Esta combinação de fatores de decisão para cada comprador é denominada “modelo”.

 

  1. Para cada tipo de fator há um segmento de compradores que coloca este fator na “primeira” posição do ranking; portanto há tantos segmentos de compradores quanto há fatores para uma dada categoria de produto.Na Tabela 6, os entrevistados 1 e 2 seriam do mesmo segmento, assim como os entrevistados 5 e 6.  Os entrevistados 3 e 6 formariam seus próprios segmentos. Para “prever” escolhas adequadamente, segmentos de compradores são formados com base tanto no primeiro (primário) quanto, frequentemente, no segundo ranking de fatores de decisão, assim como foi feito no estudo de Compras de Supermercado.A tabela abaixo exibe estatísticas do segmento de fatores de 1° ranking para cada um dos nossos sete estudos publicados. O número mediano de fatores é oito (8), sugerindo que isso é um número “na média” de fatores que têm um papel na decisão. Note também que o tamanho do segmento designando o primeiro ranking psicológico de cada fator não é uniforme e nunca excede 41% (Compras de Supermercado) com uma mediana de 32% entre os cinco estudos para os quais há dados. Finalmente, favor notar que, “em média,” 55% dos compradores são incluídos nos dois maiores segmentos de primeiro ranking, e quatro segmentos de primeiro ranking são suficientes para cobrir quase 80% (79%) de todos os compradores nos estudos publicados.
Tradução Gohmann - Mundy - Goy - Tabela 7

* Um saco excluído

Tabela 7

  1. Segmentos de compradores podem ser racionalizados com base em ambientes econômicos e sociais únicos e aparentam ser estáveis no tempo.Por exemplo, entrevistados no estudo de compras de supermercado cujo fator primário de decisão para onde comprar envolvia usar uma lista tinham mais crianças entre 6 e 12 anos de idade e eram os segundos colocados em despesa média semanal com compras. Aqueles fazendo a decisão de onde comprar com base em um primeiro ranking de Qualidade da Comida seguido de sensibilidade às necessidades de membros da família eram os os que tinham maior renda familiar e faziam compras mais frequentemente por mês do que entrevistados em qualquer outro segmento de fatores de decisão.
    Em dois experimentos separados os efeitos da classificação de segmento de fator primário de decisão permaneceu suficientemente estável para prever com precisão a preferência 8 meses após a classificação.
  2. Produtos/serviços com grande participação tendem a ser comprados por compradores no maior segmento de modelos de decisão. Esta regra de “maior participação no maior segmento de decisão” se mantém por cinco dos seis estudos publicados nos quais participação foi obtida, sugerindo que “você não pode ser o maior sem satisfazer os critérios de decisão do maior segmento de compradores”.
  3. Preferência é determinada a um nível individual com base em qual alternativa de escolha de marca tem a maior utilidade esperada. Probabilidade de Compra é frequentemente perguntada como substituto para preferência desde que todas as alternativas de marca estejam disponíveis. No estudo do Secador de Cabelo, Probabilidade de Compra foi perguntada independentemente dos requerimento do modelo da Utilidade Esperada. Como seria esperado, a Intenção de Compra declarada é mais provável à medida que a Utilidade Esperada para a marca aumenta, como mostra a tabela abaixo.
Tradução Gohmann - Mundy - Goy - Tabela 8

Tabela 8

A única real forma de medir os fatores de preferência é determinar o que causa mudanças em preferência, i.e., trocas. As células da tabela abaixo contém a estimativa da utilidade computada de um modelo de decisão chamado Utilidade Esperada ou “EU” (na sigla em inglês). Os dados de fato nas células são os níveis médios de EU associados com o Banco Primário atual e o “Banco Para o Qual foi Mudado.” A medida que a probabilidade de troca aumenta, o nível de EU com o Banco Primário atual cai e aumenta para o banco pelo qual foi trocado. Dentre diferenças de entrevistados entre a utilidade esperada do atual Banco Primário e do banco para o qual trocariam para cada um dos quatro níveis de probabilidade de troca sugere que mudança de marca (preferência e fidelidade) é movida por uma diferença de ± -40 pontos de EU.
Tradução Gohmann - Mundy - Goy - Tabela 9

Tabela 9

Presumindo que a marca com a maior utilidade deveria ser a marca preferida, nós esperaríamos que clientes fiéis (Definitivamente Não Irá Trocar) ao banco primário com uma alta perda de EU permaneceriam fiéis ao seu banco atual, mas clientes com um alto ganho em EU mais provavelmente trocariam. Ademais, esperaríamos que clientes com alta perda de EU antecipada prefeririam seu banco primário Atual, enquanto aqueles com um potencial ganho de EU prefeririam o novo banco Primário “Trocado Para”. Usando MSW-ARS como a medida de preferência de marca, os resultados são mostrados abaixo indicando que o ganho ou perda esperados em utilidade de marca é responsável não só pela probabilidade de troca declarada, mas também pela preferência de marca resultante.
Tradução Gohmann - Mundy - Goy - Tabela 10

Tabela 10

  1. Níveis individuais iguais de utilidade dão origem a níveis iguais individuais de preferência mas podem ser baseados em diferentes modelos de decisão. Ver explicação para #7 acima.
  2. Mudanças em preferência podem ser previstas com base em um menor nível de utilidade causado pela inabilidade de uma marca de prover em um ou mais dos sacos e seu papel em cada modelo de decisão. Ver explicação para #7 acima.
  3. Mudança de marca é o resultado de uma mudança na preferência impulsionada pela utilidade esperada de uma marca caindo abaixo da outra. Ver explicação para #6 acima.
  4. Fidelidade de marca (preservação de preferência) aparenta ser o resultado de expectativas de utilidade de primeiro ranking sempre sendo atendidas. Metade dos Definitivamente Irá Trocar (aqueles com o maior ganho médio esperado em utilidade) indicaram que o banco primário o qual eles estavam trocando tinha “falhado” em entregar no Fator Primário de Decisão comparado com 6% daqueles que provavelmente não vão sair do seu banco primário e acreditam que perderiam utilidade fazendo-o.
Tradução Gohmann - Mundy - Goy - Tabela 11

Tabela 11

Conclusões

  1. Parece que há um limite de entre seis e nove fatores que têm um papel no nível de utilidade esperada.
  2. A ordem psicológica dos seis a nove fatores é fundamental para estimar a utilidade esperada de qualquer alternativa de escolha.
  3. Expectativa relativa de utilidade escora preferência; preferência pode ser “decomposta” só até onde a expectativa de utilidade subjacente pode ser explicada.
  4. Só a Economia Comportamental providencia um contexto pleno e adequado dentro do qual a derivação da expectativa de utilidade pode ser determinada.
  5. As bases de expectativa de utilidade são semelhantes quando o sentido dos termos usados para descrevê-las é garantido como invariante, mas o cálculo é diferente entre os indivíduos.
  6. Técnicas padrão de pesquisa provavelmente têm muitos erros para prover o rigor científico necessário para entender a expectativa de utilidade no mundo real e as preferências resultantes.

Perguntas

Se nós falhamos em entender como nós, como humanos, tomamos decisões no mundo real, como nós esperamos que máquinas o farão corretamente por nós?

Não é mais apropriado definir Economia Comportamental como o estudo da “Economia da Psique?”

Referências

Gohmann, T., & Goy, C. (2014a). Cracking the code on why we give to charities. Austin, TX: Behavioral Science Lab.

Gohmann, T., & Goy, C. (2014b). Myth vs. reality of the luxury car purchase. Austin, TX: Behavioral Science Lab.

Gohmann, T., & Goy, C. (2013). The science of why she chose your store. Austin, TX: Behavioral Science Lab.

Goy, C., & Gohmann, T. (2016). Predicting MSW-ARS brand preference with new research tools. Manuscrito não publicado, Behavioral Science Lab, Austin, TX.

Goy, C. (2015). Keys to millennial banking success. Austin, TX: Behavioral Science Lab.

Os Autores

Tim Gohmann, Ph.D., é Co-Fundador e Chief Science Officer do Behavioral Science Lab, LLC.

Dr. Gohmann serve clientes desde 1971. Durante este período ele fundou três empresas de consultoria, direcionou as unidades de negócios de duas grandes firmas globais de pesquisa, introduziu novos produtos para vários marqueteiros globais e desenvolveu sistemas de sampling de telefone e seleção de pessoal para dois outros. A experiência de Tim inclui previsão para clientes de produtos embalados, setor automotivo, hotelaria, energia, tecnologia e manufatura, gestão de performance empresarial, seleção de pessoal e gestão de reputação corporativa. Ele desenvolveu as primeiras sessões de análise de dados para o programa Burke Research Seminar, atuou como editor consultante do Journal of Marketing Research e lecionou na Universidade de Cincinnati.

Ron Mundy é Co-Fundador e Chief Operation Officer do Behavioral Science Lab, LLC.

Ron Mundy co-fundou o Somerset Consultuing Group, um full-service de marketing e serviços de pesquisa organizacional usando um conjunto de ferramentas proprietárias de pesquisa localizado em Austin, Texas. Através dos 25 anos de história da Somerset, Ron dirigiu as operações administração e funções financeiras. Nestes papéis ele contribuiu para o crescimento da Somerset desenvolvendo abordagens de coleta de dados proprietárias e plataformas de software para grandes empresas globais, incluindo óleo e gás, aeroespacial e alta tecnologia.

Ron foi co-autorou várioslivros e papers lidando com desenvolvimento organizacional e foi palestrante convidado em metodologias de pesquisa na Universidade do Texas e no Royal Melbourne Institute of Technology, e tem um B.A. em Ciência da Computação da Universidade do Texas em Austin.

Christian Goy é Co-Fundador e Diretor Administrativo da Behavioral Science Lab, LLC.

Começando sua carreira em planejamento estratégico tanto do lado do cliente quanto da agência, Chritian sentiu que havia uma falta substancial de dados mostrando por que consumidores fazem as decisões de compra que eles fazem, levando ao seu desejo de responder as perguntas desconhecidas de POR QUÊ. Combinando sua paixão e curiosidade por artes e ciência, nativo da Alemanha, Christian embarcou em uma jornada empreendedora para ajudar a desenvolver ferramentas de pesquisa em Economia Comportamental que hoje são usadas para várias aplicações de marketing e negócios. Um antigo pretendente olímpico, Christian tem um B.A. em administração e liderança organizacional assim como um MBA com foco em marketing.


Artigo original: Why Only Behavioral Economics can Explain Preference
Autoria: Tim Gohmann, Ronald S. Mundy e Christian Goy
Tradução: João Francisco de Almeida Pinto

Envie seu Comentário