Segmentação e Potencial de Mercado

class: center, middle, inverse, title-slide

.title[
# Segmentação e Potencial de Mercado
]
.subtitle[
## Unidade 8 | Tópicos Especiais Mercadológicos: Geomarketing
]
.author[
### Prof.ª Renata Oliveira
]
.date[
### Novembro/Dezembro 2026
]

---

layout: true

<div class="my-footer">
<span>
<a href="https://places.education" target="_blank">https://places.education</a>
</span>
</div>

---
class: section-slide, center, middle

# Segmentação e Potencial de Mercado

.large[
**Quem** compra, **onde** está, **quanto** consome
e **o que** ainda não está sendo atendido.
]

---
class: compact

## Agenda — Unidade 8 (10h / 3 encontros)

.pull-left[
**Encontro 16 (4h)**
- Segmentação territorial: conceito e variáveis
- Indicadores socioeconômicos para geomarketing
- Perfis territoriais e análise de cluster (k-means espacial)

**Encontro 18 (2h)**
- Apresentações dos projetos finais
- Síntese da disciplina
]

.pull-right[
**Encontro 17 (4h)**
- Análise multicritério espacial e normalização de dados
- Grade hexagonal padrão vs. setores e raster
- QGIS: AMC em hexágonos (renda, população e locais candidatos)
- Estimativa de demanda e fontes (RAIS, CAGED, CNPJ)
]

---
class: compact

## Segmentação Territorial

**Segmentação territorial** combina variáveis espaciais e socioeconômicas para definir microterritórios com perfis homogêneos.

.pull-left[
**Variáveis clássicas:**
- Renda domiciliar média
- Perfil etário da população
- Escolaridade do responsável
- Densidade populacional
- Tipo de uso do solo
- Acesso a transporte
]

.pull-right[
**Aplicações diretas:**
- Priorização de territórios para expansão
- Personalização de ofertas por bairro
- Alocação de equipes de venda
- Definição de público-alvo por CEP
- Ajuste de preços por localidade
]

.tip[
No Brasil, o **setor censitário** é a menor unidade territorial com dados oficiais — ideal para segmentação inframunicipal.
]

---
class: compact

## Indicadores Socioeconômicos — Obter e Carregar

.your-turn[
**Etapa 1 — Baixar e importar as bases por setor censitário (BH):**

1. Baixar a malha de setores censitários 2022 do IBGE (shapefile) em *Downloads de Geociências* (ibge.gov.br) → "Malha de Setores Censitários" → Minas Gerais → Belo Horizonte
2. Baixar a tabela "Agregados por Setores Censitários — Resultados do Universo" (renda, internet, escolaridade) em formato CSV, no mesmo portal
3. *Camada → Adicionar Camada → Adicionar Camada Vetorial...* → selecionar o shapefile de setores censitários
4. *Camada → Adicionar Camada → Adicionar Camada de Texto Delimitado...* → selecionar o CSV de renda (sem geometria, apenas atributos)
]

---
class: compact

## Indicadores Socioeconômicos — Unir Variáveis

.your-turn[
**Etapa 2 — Relacionar as variáveis na camada de setores (BH):**

5. Caixa de Ferramentas Processing → **"Join attributes by field value"**:
   - *Input layer* = setores; *Table field* = `CD_SETOR`
   - *Input layer 2* = tabela de renda; *Table field 2* = `Cod_setor`
   - *Join type* = *1:1 (um por um)* → Executar
6. Repetir o passo 5 para as tabelas de internet e escolaridade, encadeando os joins na mesma camada de setores até reunir as 3 variáveis
]

---
class: compact

## Análise de Cluster Espacial (K-means)

.your-turn[
**Etapa 1 — Execução na Caixa de Ferramentas Processing:**

1. Antes de agrupar, normalizar `renda`, `prop_internet` e `prop_sup` para a escala [0, 1] com a Calculadora de Campos (ver slides seguintes)
2. Caixa de Ferramentas Processing → buscar **"K-means clustering"** (categoria *Análise Vetorial*)
3. Parâmetros: *Input layer* = `setores_bh`; *Number of clusters* = 4 (testar de 3 a 6); *Output field name* = `CLUSTER`
4. Executar → gera uma nova camada com o campo `CLUSTER` (1 a 4) atribuído a cada setor
]

.tip[
**Atenção:** o algoritmo nativo do QGIS agrupa pela proximidade espacial dos centroides, não pelas variáveis socioeconômicas. Veja no próximo slide como reproduzir o k-means multivariado.
]

---
class: compact

## K-means Multivariado — Espaço das Variáveis

.your-turn[
**Etapa 2 — Agrupar por renda, internet e escolaridade:**

5. Calculadora de Campos → criar os campos `eixo_x` = `renda_norm` e `eixo_y` = `prop_internet_norm` (combinando as variáveis normalizadas duas a duas)
6. Processing → **"Create points layer from table"** usando `eixo_x`/`eixo_y` como coordenadas X/Y → gera uma camada de pontos no "espaço das variáveis" (não é um mapa geográfico)
7. Rodar **"K-means clustering"** sobre essa camada de pontos-variáveis
]

---
class: compact

## K-means Multivariado — Retorno ao Mapa

.your-turn[
**Etapa 3 — Associar clusters de volta aos setores e simbolizar:**

8. Processing → **"Join attributes by field value"** para trazer o campo `CLUSTER` de volta à camada geográfica original (`setores_bh`), usando um ID comum
9. *Propriedades da Camada → Simbologia → Categorizado* → campo `CLUSTER` → paleta com 4 cores (`#002b36`, `#8fada7`, `#A7D5E8`, `#e9d968`) → renomear categorias como "Alta renda/digital", "Renda média", "Emergente", "Popular"
]

---
class: compact

## Perfis Territoriais — Estatísticas por Cluster

.your-turn[
**Passo a passo — Estatísticas por Cluster:**

1. Caixa de Ferramentas Processing → buscar **"Statistics by categories"** (Estatísticas por categorias)
2. Parâmetros: *Input layer* = `setores_bh`; *Categories field(s)* = `CLUSTER`; *Value field* = `renda` → Executar (repetir trocando o *Value field* para `prop_internet` e `prop_sup`)
3. A tabela resultante traz, por cluster: contagem, soma, média, mínimo, máximo e desvio-padrão
4. Atalho rápido: Tabela de Atributos → selecionar as feições de um cluster → *Ver → Painéis → Estatísticas Resumidas* → escolher o campo e a estatística (ex.: média)
]

---

## Perfis Territoriais — Interpretação

.pull-left[
**Exemplo de resultado:**

| Cluster | Renda | Internet | Superior |
|---------|-------|----------|----------|
| 1 | R$6.800 | 94% | 58% |
| 2 | R$3.200 | 72% | 18% |
| 3 | R$1.800 | 55% | 8% |
| 4 | R$1.100 | 38% | 4% |
]

.pull-right[
.question[
**Análise:**

- Cluster 1 → público premium
- Cluster 3-4 → mercado popular
- Qual cluster tem **mais potencial não atendido**?
]
]

---
class: compact

## Análise Multicritério Espacial (AMC)

**Análise Multicritério Espacial** integra diferentes dimensões do território (demanda, renda e oferta/infraestrutura) em um **índice síntese de decisão** para cada célula espacial:

`$$I_i = \sum_{k=1}^{m} w_k \cdot X'_{ik} \quad \text{com} \quad \sum_{k=1}^{m} w_k = 1$$`

.pull-left[
**Por que usar Hexágonos Padrão?**
- **Área uniforme:** corrige a distorção de tamanho dos setores censitários (MAUP)
- **Vizinhança isótropa:** distância igual do centro para todos os 6 lados
- **Vetor tabular:** opera direto na **Calculadora de Campos**, sem converter para raster
]

.pull-right[
**Estrutura da decisão:**
1. Definir a **unidade espacial** (hexágonos)
2. Agregar os **critérios** por célula
3. **Normalizar** para uma escala comum
4. Aplicar **pesos (`$w_k$`)** e ranquear células
]

---
class: compact

## Normalização de Dados e Pesos

Variáveis brutas têm unidades incompatíveis: **Renda** (R$), **População** (hab.) e **Locais candidatos** (contagem). Somá-las sem ajuste faria a maior grandeza dominar o índice.

.pull-left[
**Normalização Min–Max `$[0, 1]$`:**

- **Critério de benefício** (quanto maior, melhor):
`$$X'_i = \frac{X_i - \min(X)}{\max(X) - \min(X)}$$`

- **Critério de custo** (quanto menor, melhor):
`$$X'_i = \frac{\max(X) - X_i}{\max(X) - \min(X)}$$`
]

.pull-right[
**Atribuição de Pesos (`$w_k$`):**
- Traduz a **prioridade estratégica** do negócio (`$w_{\text{renda}} + w_{\text{pop}} + w_{\text{locais}} = 1$`)
- Exemplo equilibrado: `$0{,}35$` renda · `$0{,}35$` população · `$0{,}30$` locais candidatos
- Deve ser validada com **análise de sensibilidade** (alterar pesos e comparar o ranking)
]

---
class: compact

## Atividade Prática AMC — Cenário e Bases

.your-turn[
**Objetivo:** Avaliar o potencial territorial em **hexágonos padrão** no QGIS, normalizando e ponderando **renda**, **população** e **número de locais candidatos**.

**Camadas utilizadas (`05_dados_processados/`):**
1. `04_censo2022_rmbh/municipios_rmbh_2022.shp` — recorte territorial (CRS `EPSG:31983`)
2. `04_censo2022_rmbh/setores_censo2022_rmbh.shp` — setores censitários com `renda_med` e `pop_total`
3. `02_locais_candidatos_rmbh/locais_candidatos_rmbh.shp` — pontos de locais candidatos (2.840 registros na RMBH)
]

.tip[
**Atalho opcional:** a pasta `05_indicadores_hexagonos/indicadores_hexagonos.gpkg` já contém a grade pronta (`hex_dm_1000m`) caso queira ir direto para o **Passo 3**.
]

---
class: compact

## Passo 1 — Gerar a Grade de Hexágonos Padrão

.your-turn[
**Construindo as células hexagonais de 1 km no QGIS:**

1. Adicionar os 3 shapefiles em *Camada → Adicionar Camada → Adicionar Camada Vetorial* (conferir se o projeto está em **SIRGAS 2000 / UTM 23S — EPSG:31983**)
2. Abrir *Caixa de Ferramentas Processing → Vetor → Criação → **Criar grade (Create grid)***:
   - *Tipo de grade:* **Hexágono (Polígono)**
   - *Extensão da grade:* Calcular a partir da camada `municipios_rmbh_2022`
   - *Espaçamento horizontal e vertical:* `1000` metros (1 km) | *SRC:* `EPSG:31983`
3. Recortar para o limite de estudo: *Vetor → Geoprocessamento → **Recortar (Clip)*** (Entrada = Grade; Sobreposição = `municipios_rmbh_2022`) → salvar como `hexagonos_1km`
]

---
class: compact

## Passo 2 — Agregar as 3 Variáveis por Hexágono

.your-turn[
**Transferindo contagens de pontos e dados do Censo para cada célula:**

1. **Número de locais candidatos (`n_candidatos`):**
   - *Processing → Análise Vetorial → **Contar pontos no polígono (Count points in polygon)***
   - Polígonos = `hexagonos_1km` | Pontos = `locais_candidatos_rmbh` | Nome do campo = `n_candidatos` → gera `hex_candidatos`
2. **Renda média e População por hexágono:**
   - *Processing → Geral do Vetor → **Unir atributos pela localização (resumo)***
   - Camada base = `hex_candidatos` | Camada de junção = `setores_censo2022_rmbh` | Predicado = *intersecciona*
   - Campos a resumir: `renda_med` e `pop_total` | Estatísticas: **Média (mean)** e **Soma (sum)** → gera a camada `hex_indicadores`
]

---
class: compact

## Passo 3 — Normalizar as Variáveis (Escala 0 a 1)

.your-turn[
**Na Calculadora de Campos (`F6` → ícone do ábaco), criar 3 campos *Decimal (real)*:**

1. **Renda normalizada (`norm_renda`):**  
   `("renda_med_mean" - minimum("renda_med_mean")) / (maximum("renda_med_mean") - minimum("renda_med_mean"))`
2. **População normalizada (`norm_pop`):**  
   `("pop_total_sum" - minimum("pop_total_sum")) / (maximum("pop_total_sum") - minimum("pop_total_sum"))`
3. **Locais candidatos normalizados (`norm_cand`):**  
   `("n_candidatos" - minimum("n_candidatos")) / (maximum("n_candidatos") - minimum("n_candidatos"))`
]

.tip[
Se usar a camada pronta `hex_dm_1000m` (`indicadores_hexagonos.gpkg`), substitua os nomes dos campos por `"renda_media_areal"`, `"populacao_proporcional"` e `"n_candidatos"`.
]

---
class: compact

## Passo 4 — Atribuir Pesos e Mapear o Índice Final

.your-turn[
**Combinação linear ponderada e decisão locacional:**

1. Na **Calculadora de Campos**, criar o campo `indice_amc` (Decimal, escala 0 a 100) aplicando os pesos (**0,35 Renda · 0,35 População · 0,30 Locais candidatos**):  
   `100 * (0.35 * coalesce("norm_renda", 0) + 0.35 * coalesce("norm_pop", 0) + 0.30 * coalesce("norm_cand", 0))`
2. **Simbologia:** *Propriedades → Simbologia → Graduado* → Coluna `indice_amc` → Modo **Quebras Naturais (Jenks)** em 5 classes
3. **Priorização e Sensibilidade:** ordenar `indice_amc` na Tabela de Atributos para destacar o **Top 10 hexágonos** e criar `indice_cenario2` (pesos `0.20`, `0.30` e `0.50`) para comparar!
]

---
class: compact

## Estimativa de Demanda — Setores-Alvo

.your-turn[
**Etapa 1 — Filtrar setores e estimar população-alvo:**

*Exemplo: clínica odontológica premium em BH — público-alvo 25-60 anos, renda > R$ 3.000*

1. **Filtrar setores-alvo:** *Editar → Selecionar → Selecionar Feições por Expressão* →
   `"renda" >= 3000 AND "cluster" IN (1, 2)`
2. Com a seleção ativa: botão direito na camada → *Exportar → Salvar Feições Selecionadas Como...* → nova camada `setores_alvo`
3. Calculadora de Campos em `setores_alvo` → criar `pop_adulta_est`: `"pop_setor" * 0.52` (≈52% têm 25-60 anos — estimativa)
]

---
class: compact

## Estimativa de Demanda — Potencial de Receita

.your-turn[
**Etapa 2 — Calcular clientes e receita potencial:**

4. Criar campo `clientes_pot`: `"pop_adulta_est" * 0.08` (taxa de penetração de 8%)
5. Criar campo `receita_pot`: `"clientes_pot" * 180 * 2.5` (ticket médio R$ 180, 2,5 consultas/ano)
6. **Receita potencial total:** Tabela de Atributos → clicar no cabeçalho de `receita_pot` → *Ver → Painéis → Estatísticas Resumidas* → Estatística = *Soma*
]

---
class: compact

## Fontes de Dados — Como Importar no QGIS

- **RAIS/CAGED** — empregos por setor CNAE e município: baixar CSV/planilha em portaldatransparencia.gov.br → *Camada → Adicionar Camada de Texto Delimitado* → **"Join attributes by field value"** com a camada de municípios pelo código IBGE
- **Cadastro de Empresas Receita Federal (CNPJ)** — download em dados.gov.br (arquivo mensal, ~20GB comprimido); após tratar em planilha, adicionar como Camada de Texto Delimitado usando colunas de latitude/longitude, ou geocodificar o endereço com o plugin **MMQGIS** (ver Encontro 17)
- **IBGE Cadastro Central de Empresas (CEMPRE)** — número de unidades locais por atividade e município: baixar a tabela do site do IBGE → mesma lógica de *Join attributes by field value* pelo código do município

---

## Fontes de Dados — Síntese e Granularidade

| Dado | Fonte | Granularidade |
|------|-------|--------------|
| Renda/escolaridade | IBGE Censo 2022 | Setor censitário |
| Empregos formais | RAIS | Município + CNAE |
| Empresas ativas | CNPJ/RF | Endereço |
| Massa salarial | CAGED | Município + mês |

---
class: compact

## Atividade Final — Proposta e Escopo

.your-turn[
**Projeto Final — "Plano de Expansão Territorial"** *(individual ou dupla)*

**Briefing:** Uma empresa do setor de sua escolha (varejo, serviços, saúde, educação) quer identificar onde abrir **2 novas unidades** em uma cidade brasileira.

**Entregável — Parte 1 (apresentação 15 min + relatório 5 páginas):**

1. **Definição do negócio e público-alvo territorial**
2. **Base de dados:** fontes utilizadas, escala, limitações
3. **Segmentação territorial:** clusters com perfis interpretados
4. **Análise de concorrência:** mapeamento e gaps de cobertura
]

---
class: compact

## Atividade Final — Recomendações e Avaliação

.your-turn[
**Entregável — Parte 2:**

5. **Índice multicritério:** variáveis, pesos e mapa resultante
6. **Recomendação:** 2 localizações com justificativa espacial
7. **Estimativa de demanda** para cada localização

**Critérios de avaliação:**
- Rigor técnico: **40%**
- Qualidade cartográfica: **30%**
- Argumentação: **30%**
]

---
class: dense

## Síntese da Disciplina

.pull-left[
**Jornada percorrida:**

| Un. | Tema |
|-----|------|
| 1 | Fundamentos |
| 2 | Espaço e Consumo |
| 3 | Dados |
| 4 | SIG |
| 5 | Geocodificação |
| 6 | Cartografia |
| 7 | Análise Espacial |
| 8 | Segmentação |
]

.pull-right[
**O que o gestor territorial faz:**

1. Define a **pergunta espacial**
2. Coleta dados das **fontes certas**
3. Geocodifica e **limpa** a base
4. Analisa **padrões** com SIG
5. Produz mapas que **comunicam**
6. Recomenda com **evidência territorial**

.tip[
**Geomarketing não é sobre mapas bonitos — é sobre decisões melhores.**
]
]

---

## Conceitos-chave da Unidade 8

.large[
✅ **Segmentação territorial** = clusters de setores com perfis homogêneos

✅ **K-means** classifica setores por variáveis socioeconômicas

✅ **Análise multicritério** pondera variáveis para índice de potencial

✅ **Estimativa de demanda** = pop. alvo × taxa de penetração × ticket

✅ RAIS + CNPJ + Censo 2022 = tríade de dados para potencial de mercado
]

---

## Referências

- LONGLEY, P. A. et al. **Sistemas e ciência da informação geográfica**. 3. ed. Bookman, 2013.
- KOTLER, P.; KELLER, K. L. **Administração de marketing**. 15. ed. Pearson, 2019. Cap. 8.
- OLIVEIRA, P. H. P. de. **Geointeligência**. UICLAP, 2024.
- SEBASTIÃO, A. **Geomarketing preditivo: comportamentos, antecipando necessidades**. Amazon, 2023.
- ROCHA, M. D. A.; SOUSA, J. M. B. M. **Canais de distribuição e geomarketing**. Saraiva Uni, 2017.

.footnote[
[github.com/retaoliveira/geomarketing_08_segmentacao_mercado](https://github.com/retaoliveira/geomarketing_08_segmentacao_mercado)
]