RESUMO

A indústria de jogos eletrônicos é um setor econômico novo, dinâmico e de rápido crescimento. No entanto, esta não conhece o perfil de seus consumidores. O objetivo desta pesquisa é analisar grupos de consumidores de jogos eletrônicos no mercado brasileiro a partir de características sociodemográficas, comportamentais e de intenções de gastos com esses produtos. Utilizando a literatura de segmentação de mercado e as variáveis motivacionais encontradas na literatura de jogos eletrônicos, este artigo utilizou-se de self-organizing maps e ANOVA para traçar uma análise de segmentação com base em uma pesquisa com 601 jogadores de jogos eletrônicos. Os resultados mostram a existência de cinco grupos diferentes de jogadores, que precisam ser atendidos por estratégias diferentes. O primeiro grupo foi formado pelos jogadores que jogam o tempo todo. O segundo tem características parecidas com o primeiro, mas com menos tempo para jogar. O terceiro grupo foi formado por jogadores profissionais. O quarto e o quinto grupo são os novos desafios para as empresas de jogos.

Palavras-chave
Jogos eletrônicos; segmentação de mercado; comportamento do consumidor; self-organizing maps; Brasil

ABSTRACT

The electronic games industry is a new, dynamic, and fast-growing economic sector. However, organizations in this industry do not know the profile of their consumers. In view of this knowledge gap, the objective of this research paper is to analyze groups of electronic games consumers in the Brazilian market, in terms of their socio-demographic, behavioral, and expenditure characteristics. Using market segmentation literature and motivational variables found in games literature, this paper uses self-organizing maps and analysis of variance to segment 601 Brazilian gamers. The results demonstrate the existence of five different groups of games players and that, in order to reach each group, different strategies need to be used. The first group consists of t players who play all the time. The second has the same features as the first, but they do not have the same amount of time available to play. The third group consists of pro players. The fourth group and fifth group are the new challenge for games companies.

Keywords
electronic games; market segmentation; consumer behavior; self-organizing maps; Brazil

1. INTRODUÇÃO

A indústria de jogos eletrônicos é um setor econômico com rápido crescimento, maior que a indústria cinematográfica, e representa uma das maiores fornecedoras de lazer à sociedade (Mascena, Pimentel, Fischmann, & Polo, 2012Mascena, K. M. C., Pimentel, M. C. P., Fischmann, A. A. & Polo, E. F. (2012) Videogames e Estratégia: O Posicionamento Estratégico de Empresas Brasileiras de Software de Jogos Digitais. In: Encontro Nacional da Associação Nacional dos Programas de Pós-Graduação em Administração: Rio de Janeiro.; Baumgarten, 2013Baumgarten, M. Z. (2013). Uma análise do mercado internacional de jogos eletrônicos sob a ótica de Fligstein. In: Encontro Nacional da Associação Nacional dos Programas de Pós-Graduação em Administração: Rio de Janeiro.; Newzoo, 2019NewZoo. (2019). Latest market estimates: Key numbers. https://platform.newzoo.com/key-numbers/. Accessed: 10/10/2017.
https://platform.newzoo.com/key-numbers/... ). Existem mais de 2 bilhões de jogadores no mercado de jogos eletrônicos mundial, que geram cerca de US$ 152 bilhões de receita por ano (Newzoo, 2019NewZoo. (2019). Latest market estimates: Key numbers. https://platform.newzoo.com/key-numbers/. Accessed: 10/10/2017.
https://platform.newzoo.com/key-numbers/... ). O Brasil é o terceiro maior mercado de jogos eletrônicos, com 77 milhões de jogadores e receita anual de cerca de US$ 1,5 bilhão. Esse valor representa um aumento de 25% em dois anos, o que torna o mercado brasileiro de jogos eletrônicos o décimo terceiro mais rentável do mundo (Newzoo, 2019NewZoo. (2019). Latest market estimates: Key numbers. https://platform.newzoo.com/key-numbers/. Accessed: 10/10/2017.
https://platform.newzoo.com/key-numbers/... ; Istoé, 2017Istoé. (2017). Infográfico: o mercado de games no Brasil. https://istoe.com.br/infografico-mercadogames-brasil/. Accessed: 10/10/2017.
https://istoe.com.br/infografico-mercado... ). Portanto, isso torna o Brasil um mercado importante que merece ser mais bem compreendido para aumentar sua rentabilidade.

Não é apenas no Brasil que se espera uma expansão do mercado de jogos eletrônicos; as previsões estimam que, em 2020, os lucros mundiais desse mercado sejam por volta de US$ 165 bilhões (Newzoo, 2019NewZoo. (2019). Latest market estimates: Key numbers. https://platform.newzoo.com/key-numbers/. Accessed: 10/10/2017.
https://platform.newzoo.com/key-numbers/... ). Esse crescimento está ocorrendo porque existem diversas maneiras disponíveis para jogar. Hoje, ainda existem os tradicionais jogos de videogame ou computador, mas também é possível jogar a qualquer momento usando smartphones, e esse é o mercado mais proeminente e o mais difícil de atender (Hsu & Lin, 2015Hsu, C. L., & Lin, J. C. C. (2015). What drives purchase intention for paid mobile apps?-An expectation confirmation model with perceived value. Electronic Commerce Research and Applications, 14(1), 46-57.; Kim & Lee, 2017Kim, Y. B., & Lee, S. H. (2017). Mobile gamer’s epistemic curiosity affecting continuous play intention. Focused on players’ switching costs and epistemic curiosity. Computers in Human Behavior, 77, 32-46.). Além disso, esse crescimento não se limita apenas às diferentes plataformas para jogar, mas também à existência da diversidade de propósitos que os jogos eletrônicos podem oferecer. Os jogos eletrônicos são diversos, com diferentes focos - como entretenimento, jogos casuais, serious games, jogos para medicina e até e-sport, onde o usuário é um verdadeiro jogador profissional (pro-player), o que caracteriza um mercado com muitas oportunidades a serem exploradas.

Por outro lado, o mercado de jogos eletrônicos é novo e dinâmico, e as organizações precisam reconhecer o perfil de seus clientes (Jin, 2014Jin, C. H. (2014). The role of users’ motivations in generating social capital building and subjective well-being: The case of social network games. Computers in Human Behavior, 39, 29-38.; Gedigames, 2014Gedigames, Grupo de Estudos e Desenvolvimento de Indústria de Games. (2014) Relatório Final: mapeamento da indústria brasileira e global de jogos digitais. São Paulo: USP, 2014.). Além disso, é importante não apenas conhecer as variáveis ​​sociodemográficas desses consumidores, mas também como é a experiência de ser um jogador, assim como suas motivações sociais para jogar (Mosca, 2017Mosca, I. (2017). What Is It Like to Be a Player? The Qualia Revolution in Game Studies. Games and Culture, 12(6), 585-604.). Para explorar esses tópicos, foram realizadas pesquisas a fim de entender os fatores que podem influenciar uma pessoa a jogar e comprar um jogo eletrônico e identificar os perfis dos diferentes grupos de consumidores (e.g.Hsiao & Chen, 2016Hsiao, K. L., & Chen, C. C. (2016). What drives in-app purchase intention for mobile games? An examination of perceived values and loyalty. Electronic Commerce Research and Applications, 16, 18-29.; Park & ​​Lee, 2011Park, B. W., & Lee, K. C. (2011). Exploring the value of purchasing online game items. Computers in Human Behavior, 27(6), 2178-2185.; Shelton, 2010Shelton, A. K. (2010). Defining the lines between virtual and real world purchases: Second Life sells, but who’s buying?. Computers in Human Behavior, 26(6), 1223-1227.; Souza & Freitas, 2017Souza, L. L. F., & Freitas, A. A. F. (2017). Consumer behavior of electronic games’ players: a study on the intentions to play and to pay. Revista de Administração, 52(4), 419-430.). Ademais, Zammitto (2010Zammitto, V. L. (2010). Gamers’ personality and their gaming preferences (Doctoral dissertation, Communication, Art & Technology: School of Interactive Arts and Technology).) sugere que a preferência por um jogo se baseia na personalidade, e há traços pessoais os quais influenciam os tipos de jogos que um jogador pode estar inclinado a comprar. Adicionalmente, Cohen (2014Cohen, E. L. (2014). What makes good games go viral? The role of technology use, efficacy, emotion and enjoyment in players’ decision to share a prosocial digital game. Computers in Human Behavior, 33, 321-329.), Engl e Nacke (2013Engl, S., & Nacke, L. E. (2013). Contextual influences on mobile player experience - A game user experience model. Entertainment Computing, 4(1), 83-91.) e Wei e Lu (2014Wei, P. S., & Lu, H. P. (2014). Why do people play mobile social games? An examination of network externalities and of uses and gratifications. Internet Research, 24(3), 313-331.) estudaram o comportamento dos jogadores, enquanto Sherry, Lucas, Greenberg, & Lachlan (2006Sherry, J. L., Lucas, K., Greenberg, B. S., & Lachlan, K. (2006). Video game uses and gratifications as predictors of use and game preference. Playing video games: Motives, responses, and consequences, 213-224.) e Souza e Freitas (2017Souza, L. L. F., & Freitas, A. A. F. (2017). Consumer behavior of electronic games’ players: a study on the intentions to play and to pay. Revista de Administração, 52(4), 419-430.) focaram em variáveis ​​motivacionais que influenciam a intenção de jogar e comprar.

Identificar os perfis e desejos dos jogadores é importante para formular estratégias para atender os consumidores. No entanto, existem poucas informações sobre jogadores em todo o mundo, incluindo jogadores brasileiros, e sua motivação para jogar jogos eletrônicos (Bowman, Oliver, Rogers, Sherrick, Woolley, & Chung, 2016Bowman, N. D., Oliver, M. B., Rogers, R., Sherrick, B., Woolley, J., & Chung, M. Y. (2016). In control or in their shoes? How character attachment differentially influences video game enjoyment and appreciation. Journal of Gaming & Virtual Worlds, 8(1), 83-99.; Arruda Filho & Gammarano, 2018Arruda Filho, E. J. M., & Gammarano, I. D. J. L. P. (2018). For every “game over” there is a “play again”: Analysis of user preferences regarding 7th-and 8th-generation video games consoles. The Journal of High Technology Management Research, 29(1), 46-56.). Tais fatores criam uma concorrência acirrada entre fornecedores locais de jogos eletrônicos e fornecedores estrangeiros maiores e mais bem equipados. É estrategicamente importante entender os mercados locais em termos de consumo e motivação para jogar jogos eletrônicos e identificar suas características particulares quando comparados aos padrões internacionais. No período de 2015 a 2016, houve um aumento de 600% no número de desenvolvedores de jogos eletrônicos no Brasil, mas essas empresas não conhecem as principais razões que motivam uma pessoa a jogar ou comprar um jogo eletrônico (Gedigames, 2014Gedigames, Grupo de Estudos e Desenvolvimento de Indústria de Games. (2014) Relatório Final: mapeamento da indústria brasileira e global de jogos digitais. São Paulo: USP, 2014.; Istoé, 2017Istoé. (2017). Infográfico: o mercado de games no Brasil. https://istoe.com.br/infografico-mercadogames-brasil/. Accessed: 10/10/2017.
https://istoe.com.br/infografico-mercado... ).

Não existe um modelo amplamente aceito que defina as principais variáveis que levam uma pessoa a jogar ou comprar um jogo eletrônico (Manero, Torrente, Freire, & Fernández-Manjón, 2016Manero, B., Torrente, J., Freire, M., & Fernández-Manjón, B. (2016). An instrument to build a gamer clustering framework according to gaming preferences and habits. Computers in Human Behavior, 62, 353-363.). Assim, esta pesquisa utilizou os fatores motivacionais que influenciam a intenção de jogar e comprar para segmentar o mercado brasileiro de jogos eletrônicos. Segmentar o mercado em grupos homogêneos é uma estratégia eficiente para identificar e entender o perfil de um mercado específico (Wedel & Kamakura, 2000Wedel, M. & Kamakura, W. (2000). Market segmentation: conceptual and methodological foundations. Springer.). Esta pesquisa tem como objetivo identificar grupos de consumidores de jogos eletrônicos com base em variáveis motivacionais que os influenciam a jogar e comprar jogos eletrônicos. Além disso, características sociodemográficas e de perfil foram usadas para descrever os grupos e formular uma melhor explicação de como esses grupos se formam.

O mercado de jogos eletrônicos é muito competitivo, e é impossível satisfazer todos os desejos dos diferentes consumidores (Cheung, Shen, Lee, & Chan, 2015Cheung, C. M., Shen, X. L., Lee, Z. W., & Chan, T. K. (2015). Promoting sales of online games through customer engagement. Electronic Commerce Research and Applications, 14(4), 241-250.). Esta pesquisa utiliza-se da estratégia de segmentação de mercado para identificar as características dos principais grupos de consumidores de jogos eletrônicos. A segmentação de mercado é um método em que o mercado consumidor, com suas características heterogêneas, pode ser dividido em grupos homogêneos (Smith, 1956Smith, W. R. (1956). Product differentiation and market segmentation as alternative marketing strategies. The Journal of Marketing, 21(1), 3-8.). Esse conceito é tão importante que Brandt (1966Brandt, S. C. (1966). Dissecting the segmentation syndrome. The Journal of Marketing, 30(4), 22-27.) afirmou ser impossível para uma organização entrar em um mercado competitivo sem usar essa estratégia. A segmentação de mercado tornou-se uma atividade essencial para os países industrializados, uma vez que os produtos ou serviços não podem ser vendidos ou fabricados sem que as organizações considerem os desejos dos consumidores (Wedel & Kamakura, 2000Wedel, M. & Kamakura, W. (2000). Market segmentation: conceptual and methodological foundations. Springer.).

Nagygyörgy et al. (2013Nagygyörgy, K., Urbán, R., Farkas, J., Griffiths, M. D., Zilahy, D., Kökönyei, G., Mervó, B. Reindl, A, Ágoston C., Kertész, A, Harmath, E. Oláh, A. & Demetrovics, Z. (2013). Typology and sociodemographic characteristics of massively multiplayer online game players. International Journal of Human-Computer Interaction, 29(3), 192-200.), também usando a estratégia de segmentação de mercado com jogadores de jogos massivamente multiplayer online (MMO), apontaram que características sociodemográficas podem influenciar na escolha do jogo. Além disso, as características do jogo e do jogador podem influenciar a intenção de jogar e continuar jogando.

O objetivo geral desta pesquisa é analisar os grupos de consumidores de jogos eletrônicos no mercado brasileiro e suas características sociodemográficas, comportamentais e de gastos com jogos. Como resultado natural de um exercício de segmentação de mercado, esta pesquisa fornecerá os perfis dos diferentes grupos de mercado, facilitando o direcionamento das estratégias para desenvolvimento e venda de jogos eletrônicos.

2. FUNDAMENTAÇÃO TEÓRICA

Esta seção é dividida em duas partes. A primeira explica o conceito de segmentação de mercado e os principais critérios que fazem parte dele. A segunda mostra as variáveis motivacionais usadas para segmentar os consumidores de jogos eletrônicos.

2.1. Segmentação de mercado

A segmentação de mercado é uma estratégia muito útil para os gerentes. Ela permite delinear planos estratégicos de mercado que, em termos operacionais, devem obedecer aos seguintes critérios: comportamento diferente; identificabilidade; acessibilidade; viabilidade; substancialidade; capacidade de resposta; estabilidade; rentabilidade; acionabilidade e projetabilidade (Quadro 1) (Desarbo & Desarbo, 2003DeSarbo, W. S., & DeSarbo, C. F. (2003). A generalized normative segmentation methodology employing conjoint analysis. In Gustafsson, A., Herrmann, A. & Huber, F. (Ed.) Conjoint Measurement (pp. 473-504). Springer Berlin Heidelberg.; Desarbo & Grisafe, 1998DeSarbo, W. S., & Grisaffe, D. (1998). Combinatorial optimization approaches to constrained market segmentation: An application to industrial market segmentation. Marketing Letters, 9(2), 115-134.; Wedel & Kamakura, 2000Wedel, M. & Kamakura, W. (2000). Market segmentation: conceptual and methodological foundations. Springer.).

Além disso, a segmentação de mercado deve empregar as bases da segmentação, que podem ser gerais ou específicas do produto e podem ser divididas em observáveis e não observáveis (Frank, Massey, & Wind, 1972Frank, R. E., Massey, W. F., & Wind, Y. (1972). Market segmentation. Prentice Hall.). A partir do Quadro 2, nota-se que os jogos eletrônicos são um resultado particular da indústria do lazer e, como tal, sua base é classificada como produto específico. Os grupos de consumidores são formados baseados em construtos classificados como não observáveis, assim como motivação, preferências e intenções. As bases da segmentação deste trabalho serão produto específico não observável.

Wedel e Kamakura (2000Wedel, M. & Kamakura, W. (2000). Market segmentation: conceptual and methodological foundations. Springer.) apresentaram um conjunto de decisões que devem ser tomadas antes de iniciar um estudo de segmentação, criando uma estrutura de quatro células: definições de grupos podem ocorrer a priori ou post hoc, e as formas de segmentação podem ser descritivas e prescritivas. Ainda conforme os autores, a priori é quando já se sabe o número de grupos que serão formados, e post hoc é usado quando não se sabe o número de grupos, sendo estes formados à medida que emergem como resultado de dados qualitativos e quantitativos. Esta pesquisa se utiliza da abordagem post hoc. A abordagem preditiva refere-se ao uso de uma variável dependente para a criação dos diferentes grupos. A abordagem descritiva não envolve variável dependente na visualização ou explicação na formação dos grupos. Esta pesquisa utilizou uma abordagem descritiva post hoc, posto que esta é a que melhor se adapta a um estudo exploratório.

Segundo Goyat (2011Goyat, S. (2011). The basis of market segmentation: a critical review of literature. European Journal of Business and Management, 3(9), 45-54.), Snellman (2000Snellman, K. (2000). From One Segment to a Segment of One-The Evolution of Market Segmentation Theory. Working paper.) e Yankelovich e Meer (2006Yankelovich, D., & Meer, D. (2006). Rediscovering market segmentation. Harvard business review, 84(2), 122.), atitudes comportamentais em relação aos produtos podem ser representadas por lealdade, preferência, motivação e intenção de comprar um produto ou experimentá-lo. Portanto, a segmentação comportamental será baseada em características gerais dos consumidores, levando em consideração suas atitudes em relação a jogar e comprar produtos, e isso significa que não é proposto um número a priori de segmentos de mercado, e nenhuma variável apresenta peso diferente. Depois que os grupos são propostos de forma independente, são testadas diferenças na intenção de jogar e na intenção de compra de produtos de jogos eletrônicos.

2.2. Motivação do consumidor para jogar jogos eletrônicos

Souza e Freitas (2017Souza, L. L. F., & Freitas, A. A. F. (2017). Consumer behavior of electronic games’ players: a study on the intentions to play and to pay. Revista de Administração, 52(4), 419-430.), em uma revisão de literatura, encontraram oito variáveis motivacionais que influenciam a intenção de jogar e de comprar jogos eletrônicos. Em uma análise empírica, os autores mostraram que apenas seis dessas variáveis têm impacto significativo: desafio; competição; desvio; diversão; fantasia; e interação social (Souza & Freitas, 2017Souza, L. L. F., & Freitas, A. A. F. (2017). Consumer behavior of electronic games’ players: a study on the intentions to play and to pay. Revista de Administração, 52(4), 419-430.). Essas variáveis significativas serão usadas para segmentar o consumidor de jogos eletrônicos nesta pesquisa. Além disso, para dar uma melhor descrição dos grupos formados, serão utilizadas as variáveis intenção de jogar, intenção de compra, flexibilidade de tempo, excitação e variáveis sociodemográficas.

O desafio é um construto fundamental nos jogos (Sherry et al., 2006Sherry, J. L., Lucas, K., Greenberg, B. S., & Lachlan, K. (2006). Video game uses and gratifications as predictors of use and game preference. Playing video games: Motives, responses, and consequences, 213-224.). É o que faz o jogo fluir e o que orienta os jogadores a tomarem as ações necessárias para avançar (Engl & Nacke, 2013Engl, S., & Nacke, L. E. (2013). Contextual influences on mobile player experience - A game user experience model. Entertainment Computing, 4(1), 83-91.; Grizzard et al., 2015Grizzard, M., Tamborini, R., Sherry, J. L., Weber, R., Prabhu, S., Hahn, L., & Idzik, P. (2015). The thrill is gone, but you might not know: habituation and generalization of biophysiological and self-reported arousal responses to video games. Communication Monographs, 82(1), 64-87.; Reich & Vorderer, 2015Reich, S., & Vorderer, P. (2015). Online Games, Player Experiences in. The International Encyclopedia of Digital Communication and Society.; Sherry et al. 2006Sherry, J. L., Lucas, K., Greenberg, B. S., & Lachlan, K. (2006). Video game uses and gratifications as predictors of use and game preference. Playing video games: Motives, responses, and consequences, 213-224.). O quão desafiador um jogo deve ser para conseguir atrair jogadores é uma questão de balanceamento (Hsiao & Chiou, 2012Hsiao, C. C., & Chiou, J. S. (2012). The effects of a player’s network centrality on resource accessibility, game enjoyment, and continuance intention: A study on online gaming communities. Electronic Commerce Research and Applications, 11(1), 75-84.), e os esforços de desenvolvimento devem atuar de uma maneira que os desafios oferecidos sejam diferentes a depender da plataforma utilizada.

Outro fator importante é a competição. No trabalho de Souza e Freitas (2017Souza, L. L. F., & Freitas, A. A. F. (2017). Consumer behavior of electronic games’ players: a study on the intentions to play and to pay. Revista de Administração, 52(4), 419-430.), essa variável teve um impacto negativo. No entanto, esta foi mantida por ter um impacto significativo e porque essa variável é amplamente discutida na literatura de jogos eletrônicos (Sherry et al., 2006Sherry, J. L., Lucas, K., Greenberg, B. S., & Lachlan, K. (2006). Video game uses and gratifications as predictors of use and game preference. Playing video games: Motives, responses, and consequences, 213-224.). O foco da competição é atingir uma meta de uma maneira melhor ou mais rápida do que outra pessoa ou grupo, e assim mostrar quem é o mais habilidoso (Cagiltay, Ozcelik, & Ozcelik, 2015Cagiltay, N. E., Ozcelik, E., & Ozcelik, N. S. (2015). The effect of competition on learning in games. Computers & Education, 87, 35-41.; Sherry et al., 2006Sherry, J. L., Lucas, K., Greenberg, B. S., & Lachlan, K. (2006). Video game uses and gratifications as predictors of use and game preference. Playing video games: Motives, responses, and consequences, 213-224.). Além disso, Chou e Tsai (2007Chou, C., & Tsai, M. J. (2007). Gender differences in Taiwan high school students’ computer game playing. Computers in Human Behavior, 23(1), 812-824.) descobriram que os homens têm uma preferência maior por jogos competitivos do que as mulheres. Esses motivos tornam essa variável um fator importante para descrever grupos de consumidores de jogos.

Os jogos se tornaram um elemento importante no combate ao estresse. É muito comum eles serem usados para escapar do mundo real e se distanciar dos problemas (Sherry et al., 2006Sherry, J. L., Lucas, K., Greenberg, B. S., & Lachlan, K. (2006). Video game uses and gratifications as predictors of use and game preference. Playing video games: Motives, responses, and consequences, 213-224.). Consequentemente, o desvio é um construto encontrado em pessoas que desejam fugir das atividades diárias, divertir-se e reduzir o estresse (Sherry et al., 2006Sherry, J. L., Lucas, K., Greenberg, B. S., & Lachlan, K. (2006). Video game uses and gratifications as predictors of use and game preference. Playing video games: Motives, responses, and consequences, 213-224.). Jogar jogos eletrônicos é considerada uma forma de relaxamento (Giammarco, Schneider, Carswell, & Knipe, 2015Giammarco, E. A., Schneider, T. J., Carswell, J. J., & Knipe, W. S. (2015). Video game preferences and their relation to career interests. Personality and Individual Differences, 73, 98-104.; Jin, 2014Jin, C. H. (2014). The role of users’ motivations in generating social capital building and subjective well-being: The case of social network games. Computers in Human Behavior, 39, 29-38.; Shelton, 2010Shelton, A. K. (2010). Defining the lines between virtual and real world purchases: Second Life sells, but who’s buying?. Computers in Human Behavior, 26(6), 1223-1227.; Sherry et al., 2006Sherry, J. L., Lucas, K., Greenberg, B. S., & Lachlan, K. (2006). Video game uses and gratifications as predictors of use and game preference. Playing video games: Motives, responses, and consequences, 213-224.).

A diversão é uma das variáveis mais importantes na intenção de jogar jogos eletrônicos (Hsu & Lin, 2015Hsu, C. L., & Lin, J. C. C. (2015). What drives purchase intention for paid mobile apps?-An expectation confirmation model with perceived value. Electronic Commerce Research and Applications, 14(1), 46-57.). De acordo com Manero et al. (2016Manero, B., Torrente, J., Freire, M., & Fernández-Manjón, B. (2016). An instrument to build a gamer clustering framework according to gaming preferences and habits. Computers in Human Behavior, 62, 353-363.), Hsiao e Chiou (2012Hsiao, C. C., & Chiou, J. S. (2012). The effects of a player’s network centrality on resource accessibility, game enjoyment, and continuance intention: A study on online gaming communities. Electronic Commerce Research and Applications, 11(1), 75-84.) e Souza e Freitas (2017Souza, L. L. F., & Freitas, A. A. F. (2017). Consumer behavior of electronic games’ players: a study on the intentions to play and to pay. Revista de Administração, 52(4), 419-430.), essa é a principal variável motivadora que faz as pessoas jogarem. A diversão derivada de um jogo é fundamental para o desejo das pessoas continuarem jogando o jogo, ao invés de mudar de jogo ou de atividade (Park & Lee, 2011Park, B. W., & Lee, K. C. (2011). Exploring the value of purchasing online game items. Computers in Human Behavior, 27(6), 2178-2185.). No entanto, deve-se notar que a diversão é uma variável individual, cuja motivação varia muito de pessoa para pessoa e depende do interesse do jogador no jogo (Bowman et al., 2016Bowman, N. D., Oliver, M. B., Rogers, R., Sherrick, B., Woolley, J., & Chung, M. Y. (2016). In control or in their shoes? How character attachment differentially influences video game enjoyment and appreciation. Journal of Gaming & Virtual Worlds, 8(1), 83-99.; Chung, 2016; Caroux, Isbister, Le Bigot, & Vibert, 2015Caroux, L., Isbister, K., Le Bigot, L., & Vibert, N. (2015). Player-video game interaction: A systematic review of current concepts. Computers in Human Behavior, 48, 366-381.).

A fantasia é uma variável muito comum em jogos; além disso, é importante porque tem o poder de estimular os jogadores (Sherry et al., 2006Sherry, J. L., Lucas, K., Greenberg, B. S., & Lachlan, K. (2006). Video game uses and gratifications as predictors of use and game preference. Playing video games: Motives, responses, and consequences, 213-224.). Fatores que estimulam a fantasia nos jogos são: a possibilidade de se tornar alguém que você deseja ou de participar de coisas impossíveis no mundo real. Essas características são alguns dos motivos que fazem da fantasia uma construção importante na intenção de jogar. Um tipo de jogo que usa essa variável extensivamente é o massively-multiplayer online role-playing game (MMORPGs). Nele o jogador assume uma nova vida e precisa melhorar seu personagem. Quanto mais o jogador se identifica com o personagem, mais ele se vê como o personagem, maior sua intenção de compra no jogo (Park & Lee, 2011Park, B. W., & Lee, K. C. (2011). Exploring the value of purchasing online game items. Computers in Human Behavior, 27(6), 2178-2185.; Scriven, 2015Scriven, P. (2015). The phenomenology of the “other” in computer game worlds. Games and Culture, 13(2), 193-210.; Kim & Lee, 2017Kim, Y. B., & Lee, S. H. (2017). Mobile gamer’s epistemic curiosity affecting continuous play intention. Focused on players’ switching costs and epistemic curiosity. Computers in Human Behavior, 77, 32-46.).

A capacidade de interagir com qualquer pessoa em qualquer lugar do mundo ou apenas jogar com um amigo para completar um desafio, participar de uma competição ou relaxar tem uma influência positiva na intenção de jogar (Souza & Freitas, 2017Souza, L. L. F., & Freitas, A. A. F. (2017). Consumer behavior of electronic games’ players: a study on the intentions to play and to pay. Revista de Administração, 52(4), 419-430.). A interação social é uma das variáveis ​​mais estudadas nas pesquisas em jogos eletrônicos (Chang, 2013Chang, C. C. (2013). Examining users' intention to continue using social network games: A flow experience perspective. Telematics and Informatics, 30(4), 311-321.; Cheung et al., 2015Cheung, C. M., Shen, X. L., Lee, Z. W., & Chan, T. K. (2015). Promoting sales of online games through customer engagement. Electronic Commerce Research and Applications, 14(4), 241-250.; Hsiao & Chiou, 2012Hsiao, C. C., & Chiou, J. S. (2012). The effects of a player’s network centrality on resource accessibility, game enjoyment, and continuance intention: A study on online gaming communities. Electronic Commerce Research and Applications, 11(1), 75-84.; Rogers, 2017Rogers, R. (2017). The motivational pull of video game feedback, rules, and social interaction: Another self-determination theory approach. Computers in Human Behavior, 73, 446-450.). Hamari, Alha, Järvelä, Kivikangas, Koivisto e Paavilainen (2017Hamari, J., Alha, K., Järvelä, S., Kivikangas, J. M., Koivisto, J., & Paavilainen, J. (2017). Why do players buy in-game content? An empirical study on concrete purchase motivations. Computers in Human Behavior, 68, 538-546.) argumentam que essa interação social é um dos fatores mais importantes que motivam uma pessoa a jogar e continuar jogando. Assim, se um de seus amigos parar de jogar, é mais provável que você pare também. Observando essa tendência, pode-se dizer que existe um contrato social entre os jogadores em um jogo. Por exemplo, quando você se torna parte de um clã, isso aumenta as chances de você continuar jogando (Hsiao & Chiou, 2012Hsiao, C. C., & Chiou, J. S. (2012). The effects of a player’s network centrality on resource accessibility, game enjoyment, and continuance intention: A study on online gaming communities. Electronic Commerce Research and Applications, 11(1), 75-84.; Kim & Lee, 2017Kim, Y. B., & Lee, S. H. (2017). Mobile gamer’s epistemic curiosity affecting continuous play intention. Focused on players’ switching costs and epistemic curiosity. Computers in Human Behavior, 77, 32-46.). Segundo Williams (2006Williams, D. (2006). Why game studies now? Gamers don’t bowl alone. Games and Culture, 1(1), 13-16.), os jogos se tornaram uma nova maneira de participar de uma rede social, e Cheung et al. (2015Cheung, C. M., Shen, X. L., Lee, Z. W., & Chan, T. K. (2015). Promoting sales of online games through customer engagement. Electronic Commerce Research and Applications, 14(4), 241-250.) observaram que pessoas mais engajadas têm maior tendência a comprar mais itens. Além disso, em um mundo como o de um jogo MMO, essa interação é tão importante porque a maneira como o jogador se relaciona com o outro pode ser uma maneira de definir o comportamento do jogador no jogo (Nagygyörgy et al., 2013Nagygyörgy, K., Urbán, R., Farkas, J., Griffiths, M. D., Zilahy, D., Kökönyei, G., Mervó, B. Reindl, A, Ágoston C., Kertész, A, Harmath, E. Oláh, A. & Demetrovics, Z. (2013). Typology and sociodemographic characteristics of massively multiplayer online game players. International Journal of Human-Computer Interaction, 29(3), 192-200.; Scriven, 2015Scriven, P. (2015). The phenomenology of the “other” in computer game worlds. Games and Culture, 13(2), 193-210.).

Além das variáveis discutidas, flexibilidade de tempo, excitação, intenção de compra, intenção de jogar e informações sociodemográficas são variáveis utilizadas neste estudo para descrever os grupos de jogadores. A flexibilidade de tempo é uma nova variável que surgiu do desenvolvimento de smartphones. Essa variável está relacionada ao tempo livre que as pessoas têm e à possibilidade de jogar rapidamente em qualquer lugar (Wei & Lu, 2014Wei, P. S., & Lu, H. P. (2014). Why do people play mobile social games? An examination of network externalities and of uses and gratifications. Internet Research, 24(3), 313-331.). A excitação é um estímulo dado pelo jogo que faz a pessoa sentir emoções e fixar sua atenção nele (Grizzard et al., 2015Grizzard, M., Tamborini, R., Sherry, J. L., Weber, R., Prabhu, S., Hahn, L., & Idzik, P. (2015). The thrill is gone, but you might not know: habituation and generalization of biophysiological and self-reported arousal responses to video games. Communication Monographs, 82(1), 64-87.).

3. METODOLOGIA

3.1 COLETA DE DADOS

A coleta de dados desta pesquisa foi realizada em duas partes: a primeira se deu de forma presencial em convenções de jogos; a segunda parte foi coletada on-line por meio dos formulários do Google Docs, e o link foi compartilhado em grupos de jogadores no Facebook.

Um questionário on-line utilizando escala Likert de 7 pontos baseado em critério de acessibilidade foi aplicado a um grupo de 601 jogadores. Os jogadores que estavam dispostos a participar foram automaticamente aceitos no banco de dados, e não foi realizada nenhuma amostragem para relacionar essa amostra ao universo de jogadores no cenário brasileiro. O questionário impresso foi aplicado durante eventos de jogos eletrônicos ocorridos na cidade em dezembro de 2014.

Para construir o instrumento, foram adaptadas escalas de estudos anteriores. A escala passou pelos processos de validação (Churchill, 1979Churchill, G. A., Jr. (1979). A paradigm for developing better measures of marketing constructs. Journal of Marketing Research, 16(1), 64-73.; Costa, 2011Costa, F. D. (2011). Mensuração e desenvolvimento de escalas: Aplicações em Administração. Rio de Janeiro: Ciência Moderna.). Foi utilizado um pré-teste e um teste piloto para validação de translação (validade de conteúdo e face). As validades de critério e de construto foram realizadas por meios estáticos, e os resultados desses processos de validação podem ser encontrados em Souza e Freitas (2017Souza, L. L. F., & Freitas, A. A. F. (2017). Consumer behavior of electronic games’ players: a study on the intentions to play and to pay. Revista de Administração, 52(4), 419-430.).

O questionário foi construído usando as seguintes escalas e artigos: flexibilidade de tempo e intenção de jogar de Wei e Lu (2014Wei, P. S., & Lu, H. P. (2014). Why do people play mobile social games? An examination of network externalities and of uses and gratifications. Internet Research, 24(3), 313-331.); excitação, desafio, competição, diversão, fantasia e interação social de Sherry et al. (2006Sherry, J. L., Lucas, K., Greenberg, B. S., & Lachlan, K. (2006). Video game uses and gratifications as predictors of use and game preference. Playing video games: Motives, responses, and consequences, 213-224.); desafio e diversão de Jin (2014Jin, C. H. (2014). The role of users’ motivations in generating social capital building and subjective well-being: The case of social network games. Computers in Human Behavior, 39, 29-38.); e intenção de compra de Toni e Mazzon (2014Toni, D., & Mazzon, J. A. (2014). Teste de um modelo teórico sobre o valor percebido do preço de um produto. Revista de Administração-RAUSP, 49(3).), Park e Lee (2011Park, B. W., & Lee, K. C. (2011). Exploring the value of purchasing online game items. Computers in Human Behavior, 27(6), 2178-2185.) e Chou e Kinsuwan (2013Chou, C. M., & Kimsuwan, A. (2013). Factors Affecting Purchase Intention of Online Game Prepayment Card-Evidence from Thailand. Journal of Internet Banking and Commerce, 18(3), 1-13.).

Dos 601 jogadores, 471 (78,37%) são do sexo masculino e 130 (21,63%) são do sexo feminino. Cerca de 75% têm menos de 25 anos. Quanto à frequência com que jogam jogos eletrônicos, 211 (35,11%) jogam mais de uma vez por dia, 100 (16,64%) uma vez por dia, 114 (18,97%) três ou quatro vezes por semana, 87 (14,48%) uma ou duas vezes por semana e 89 (14,81%) uma ou duas vezes por mês. Os videogames são os dispositivos mais usados ​​para jogar, com 188 (31,28%) jogadores usando-os como o principal dispositivo. Outros dispositivos indicados como principal incluíam: smartphones (160 jogadores; 26,62%), computadores (132 jogadores; 21,96%) e jogos online (107 jogadores; 17,80%). Além disso, 354 (59,70%) jogadores gastam dinheiro com jogos eletrônicos. Finalmente, a maioria dos jogadores (184; 31,78%) joga por uma duração de 3 horas - 5 horas e 50 minutos por vez; 166 (28,67%) jogam por 2 horas - 2 horas e 50 minutos; 116 (20,03%) jogam por 1 hora - 1 hora e 50 minutos; 85 (14,68%) jogam por 6 horas ou mais; e 28 (4,84%) jogam por 10 minutos - 50 minutos.

Para obter uma validação externa da amostra, os dados coletados foram comparados com os resultados de Gedigames (2014Gedigames, Grupo de Estudos e Desenvolvimento de Indústria de Games. (2014) Relatório Final: mapeamento da indústria brasileira e global de jogos digitais. São Paulo: USP, 2014.) e Game Brasil (2016GameIndustry. (2017). Mobile games booming as global games market hits $108.9B in 2017. http://www.gamesindustry.biz/articles/2017-04-20-mobile-games-booming-as-global-games-markethits-usd108-9b-in-2017-newzoo. Accessed: 10/10/2017.
http://www.gamesindustry.biz/articles/20... ). A comparação mostrou que a amostra possui alguns aspectos semelhantes, como o fato de a maioria dos pesquisados ter menos de 25 anos, os principais dispositivos são smartphones, videogame e computadores, e a maioria das pessoas joga mais de uma vez por dia.

3.2 MÉTODO

De acordo com Bigné et al. (2010), o uso de redes neurais tornou-se um método eficaz para realizar a segmentação de mercado, permitindo um modelo de segmentação mais eficaz. Bloom (2005) aponta que as redes neurais são mais robustas do que as técnicas tradicionais de cluster e seu desempenho não é afetado por valores ausentes (i.e. missing value). Além disso, ao contrário de alguns métodos de agrupamento, nos quais são necessárias premissas a priori, essas premissas não são necessárias para o uso de redes neurais. Entre as técnicas de redes neurais, self-organizing maps (SOM) (Hiziroglu, 2013), com os melhores resultados nas formações de grupos (Arunachalam & Kumar, 2018Arunachalam, D., & Kumar, N. (2018). Benefit-based consumer segmentation and performance evaluation of clustering approaches: An evidence of data-driven decision-making. Expert Systems with Applications, 111, 11-34.; Kiang, Hu, & Fisher, 2006Kiang, M. Y., Hu, M. Y., & Fisher, D. M. (2006). An extended self-organizing map network for market segmentation—a telecommunication example. Decision Support Systems, 42(1), 36-47.). Além disso, o SOM é considerado um dos métodos de cluster mais confiáveis ​(Pastukhov & Prokofiev, 2016Pastukhov, A. A., & Prokofiev, A. A. (2016). Kohonen self-organizing map application to representative sample formation in the training of the multilayer perceptron. St. Petersburg Polytechnical University Journal: Physics and Mathematics, 2(2), 134-143.; Kohonen, 2001Kohonen, T. (2001). Self-Organizing Maps. Springer, New York.). Vale ressaltar também que o SOM é menos impactado por variáveis ​​estranhas (ruído ou outliers) e apresenta melhores resultados para grandes bancos de dados (Bação, Lobo, & Painho, 2005Bação, F., Lobo, V., & Painho, M. (2005, May). Self-organizing maps as substitutes for k-means clustering. In International Conference on Computational Science (pp. 476-483). Springer, Berlin, Heidelberg.), além de apresentar melhores resultados quando comparado a outras técnicas de agrupamento (Bação et al., 2005Bação, F., Lobo, V., & Painho, M. (2005, May). Self-organizing maps as substitutes for k-means clustering. In International Conference on Computational Science (pp. 476-483). Springer, Berlin, Heidelberg.; Arunachalam & Kumar, 2018Arunachalam, D., & Kumar, N. (2018). Benefit-based consumer segmentation and performance evaluation of clustering approaches: An evidence of data-driven decision-making. Expert Systems with Applications, 111, 11-34.). Ademais, o SOM fornece um bom equilíbrio em comparação à abordagem não paramétrica do K-means , pois opera no vetor das médias e deixa livre a forma das distribuições; e com relação à abordagem paramétrica dada pelos modelos de mistura (latent profile analysis), que geralmente não apresentam resultados robustos quando há outliers (Gallegos & Ritter, 2009Gallegos, M. T., G. Ritter (2009). Trimming algorithms for clustering contaminated grouped data and their robustness. Advances in Data Analysis and Classification, 3(2), 135-167.).

Para a metodologia deste estudo, foi utilizado o two-level SOM. Esse método recebeu como entrada (input) a média dos seguintes construtos: desafio; competição; desvio; diversão; fantasia; interação social. O SOM foi usado para delimitar os grupos e identificar os segmentos de mercado (Vesanto & Alhoniemi, 2000Vesanto, J., & Alhoniemi, E. (2000). Clustering of the self-organizing map. Neural Networks, IEEE Transactions. 11(3), 586-600.). Após a formação dos grupos, foi realizada uma análise de variância (ANOVA) para determinar se os grupos eram estatisticamente diferentes. Além das seis variáveis utilizadas como entrada no SOM, a flexibilidade de tempo, a excitação, a intenção de jogar e a intenção de comprar também foram utilizadas na ANOVA.

A segmentação do mercado foi realizada pelo SOM, que é um tipo de rede neural treinada a partir de aprendizado não supervisionado, no qual o principal objetivo é descobrir padrões de semelhança nos dados de entrada. Isso é feito organizando a amostra em grupos e atribuindo um ou mais neurônios a cada grupo encontrado (Kohonen, 2001Kohonen, T. (2001). Self-Organizing Maps. Springer, New York.). Por ser uma rede neural competitiva, não há vetor de saída a priori, e o objetivo não é minimizar o erro quadrático médio, mas entender como os dados são organizados em grupos (Kohonen, 2001Kohonen, T. (2001). Self-Organizing Maps. Springer, New York.).

Como o SOM é uma rede neural não supervisionada com foco no agrupamento, não há definição da saída (output); portanto, não há necessidade de dividir a amostra em fases de validação e teste, como nas redes neurais de classificação (e.g. multilayer perceptron and radial basis function) (Vesanto & Alhoniemi, 2000Vesanto, J., & Alhoniemi, E. (2000). Clustering of the self-organizing map. Neural Networks, IEEE Transactions. 11(3), 586-600.; Pastukhov & Prokofiev, 2016Pastukhov, A. A., & Prokofiev, A. A. (2016). Kohonen self-organizing map application to representative sample formation in the training of the multilayer perceptron. St. Petersburg Polytechnical University Journal: Physics and Mathematics, 2(2), 134-143.). Embora o SOM também possa ser utilizado como método de classificação (Haga, Siekkinen & Sundvik, 2015Haga, J., Siekkinen, J., & Sundvik, D. (2015). Initial stage clustering when estimating accounting quality measures with self-organizing maps. Expert Systems with Applications, 42(21), 8327-8336.), isso não foi feito neste estudo, pois se buscou explorar os grupos de forma exploratória. Segundo Kohonen (2001Kohonen, T. (2001). Self-Organizing Maps. Springer, New York.), três etapas ocorrem na construção (treinamento) do SOM. Primeiro, há uma competição entre os neurônios, que são separados de acordo com suas semelhanças para verificar qual deles tem a maior semelhança com os dados aplicados na camada de entrada.

No segundo passo, há a cooperação, o neurônio vencedor determina sua localização espacial, ele excita os neurônios vizinhos a cooperar e a participar de seu grupo em seu espaço. Na última etapa, ocorre a adaptação. Nessa etapa, o neurônio vencedor excitado aumenta seus valores e, com isso, ele usa uma função discriminante para fazer com que os outros neurônios façam parte de seu padrão por meio do ajuste apropriado aplicado a seus pesos sinápticos.

Este estudo utilizou o SOM pela toolbox do MATLAB v.R2014a. A toolbox já possui os valores-padrão para taxas de aprendizado e funções de vizinhança (Lee, Suh, Kim, & Lee, 2004Lee, S. C., Suh, Y. H., Kim, J. K., & Lee, K. J. (2004). A cross-national market segmentation of online game industry using SOM. Expert systems with applications, 27(4), 559-570.). Para a entrada, foram utilizados os seis construtos que tiveram impacto significativo na intenção de jogar na pesquisa realizada por Souza e Freitas (2017Souza, L. L. F., & Freitas, A. A. F. (2017). Consumer behavior of electronic games’ players: a study on the intentions to play and to pay. Revista de Administração, 52(4), 419-430.). Além disso, o vetor de entrada foi formado pela média aritmética de cada construto (Lee et al., 2004Lee, S. C., Suh, Y. H., Kim, J. K., & Lee, K. J. (2004). A cross-national market segmentation of online game industry using SOM. Expert systems with applications, 27(4), 559-570.).

Esta pesquisa aplicou o two-level SOM (Vesanto & Alhoniemi, 2000Vesanto, J., & Alhoniemi, E. (2000). Clustering of the self-organizing map. Neural Networks, IEEE Transactions. 11(3), 586-600.). Essa metodologia vai além do SOM tradicional, porque há dois níveis de agrupamento usando o SOM em dois momentos diferentes. Two-level SOM é mais robusto, possui menor custo computacional, minimiza o erro e é menos afetado por valores ausentes e outliers. Isso acontece porque o algoritmo é executado duas vezes; na primeira vez, reúne a amostra em pequenos grupos apenas de observações homogêneas, o que torna o segundo agrupamento mais eficiente (García & Gonzáles, 2004García, H. L., & González, I. M. (2004). Self-organizing map and clustering for wastewater treatment monitoring. Engineering Applications of Artificial Intelligence, 17(3), 215-225.; Lee et al., 2004Lee, S. C., Suh, Y. H., Kim, J. K., & Lee, K. J. (2004). A cross-national market segmentation of online game industry using SOM. Expert systems with applications, 27(4), 559-570.; Vesanto & Alhoniemi, 2000Vesanto, J., & Alhoniemi, E. (2000). Clustering of the self-organizing map. Neural Networks, IEEE Transactions. 11(3), 586-600.).

No primeiro agrupamento, o número de neurônios é definido pela seguinte fórmula: 5$$\sqrt{\mathrm{N}}$$ , onde N é o número de indivíduos na amostra (García & Gonzáles, 2004García, H. L., & González, I. M. (2004). Self-organizing map and clustering for wastewater treatment monitoring. Engineering Applications of Artificial Intelligence, 17(3), 215-225.; Lee et al., 2004Lee, S. C., Suh, Y. H., Kim, J. K., & Lee, K. J. (2004). A cross-national market segmentation of online game industry using SOM. Expert systems with applications, 27(4), 559-570.; Vesanto & Alhoniemi, 2000Vesanto, J., & Alhoniemi, E. (2000). Clustering of the self-organizing map. Neural Networks, IEEE Transactions. 11(3), 586-600.). A partir desse resultado, são obtidos os primeiros grupos (protoclusters). Para a segunda etapa, os protoclusters são agrupados para encontrar os agrupamentos finais (García & Gonzáles, 2004García, H. L., & González, I. M. (2004). Self-organizing map and clustering for wastewater treatment monitoring. Engineering Applications of Artificial Intelligence, 17(3), 215-225.; Lee et al., 2004Lee, S. C., Suh, Y. H., Kim, J. K., & Lee, K. J. (2004). A cross-national market segmentation of online game industry using SOM. Expert systems with applications, 27(4), 559-570.; Vesanto & Alhoniemi, 2000Vesanto, J., & Alhoniemi, E. (2000). Clustering of the self-organizing map. Neural Networks, IEEE Transactions. 11(3), 586-600.).

Lee et al. (2004Lee, S. C., Suh, Y. H., Kim, J. K., & Lee, K. J. (2004). A cross-national market segmentation of online game industry using SOM. Expert systems with applications, 27(4), 559-570.) e García e Gonzáles (2004García, H. L., & González, I. M. (2004). Self-organizing map and clustering for wastewater treatment monitoring. Engineering Applications of Artificial Intelligence, 17(3), 215-225.) recomendam o uso do índice Davies - Bouldin (DB) (Fórmula 1) para analisar a qualidade dos resultados do segundo agrupamento. O índice DB é um tipo de medida de dispersão e similaridade usada para determinar a qualidade dos clusters formados. O menor valor encontrado para esse índice indica o melhor resultado para o número de clusters.

Onde:

C = número de clusters

S_c (Q _k) = distância interna do cluster K

S_c (Q _l) = distância interna do cluster L

d_ce (Q _k, Q _l) = distância entre o cluster K e o cluster L

Além do índice DB, o coeficiente de silhueta (silhouette coefficient) foi usado para tornar os resultados mais robustos. O Silhouette usa a distância média intra-cluster (a) e a distância média mais próxima do cluster (b) para calcular a qualidade da clusterização.

onde a(i) é a distância média entre todos os pontos na amostra e b(i) é a distância média mínima entre os pontos no outro cluster quando o ponto i é dado. Os resultados do Silhouette variam de -1 a 1. Quanto mais perto de 1, mostra que o cluster está bem agrupado. Quanto mais próximo de -1, demonstra que o resultado do cluster agrupou a amostra incorretamente (Rousseeuw, 1987Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of computational and applied mathematics, 20, 53-65.; Bolshakova & Azuaje, 2003Bolshakova, N., & Azuaje, F. (2003). Cluster validation techniques for genome expression data. Signal processing, 83(4), 825-833.). As etapas metodológicas utilizadas nesta pesquisa já foram utilizadas em estudos anteriores que também tinham o objetivo de realizar um exercício de segmentação de mercado (Lee et al., 2004Lee, S. C., Suh, Y. H., Kim, J. K., & Lee, K. J. (2004). A cross-national market segmentation of online game industry using SOM. Expert systems with applications, 27(4), 559-570.).

4. RESULTADOS

Para o vetor de entrada, foi utilizada a média aritmética dos seguintes construtos: desafio; competição; desvio; diversão; fantasia; e interação social. A média é utilizada porque esta pesquisa visa segmentar o indivíduo por construto e não por variável (Lee et al., 2004Lee, S. C., Suh, Y. H., Kim, J. K., & Lee, K. J. (2004). A cross-national market segmentation of online game industry using SOM. Expert systems with applications, 27(4), 559-570.). Além disso, Lee et al. (2004Lee, S. C., Suh, Y. H., Kim, J. K., & Lee, K. J. (2004). A cross-national market segmentation of online game industry using SOM. Expert systems with applications, 27(4), 559-570.) enfatizam que o valor correto para entrada é a combinação linear de outras medidas, e essa ação não causa nenhuma perda no modelo ou na rede neural.

A amostra foi composta por 601 pessoas, assim o número de protoclusters foi 122,57 (5 $$\sqrt{\mathrm{N}}$$ ). Para análise, a camada da rede neural era composta por uma matriz de 11x11, criando 121 protoclusters. O resultado dessa etapa é que cada protocluster recebe um peso, o que simboliza o valor que cada grupo recebeu para se diferenciar em relação às variáveis ​​de entrada e manter suas semelhanças. Esses pesos são o novo vetor de entrada para a segunda clusterização. Para a segunda clusterização, o índice DB foi implementado para determinar o número ideal de clusters. Esse é um índice comum e robusto usado para esse tipo de operação (García & Gonzáles, 2004García, H. L., & González, I. M. (2004). Self-organizing map and clustering for wastewater treatment monitoring. Engineering Applications of Artificial Intelligence, 17(3), 215-225.; Lee et al., 2004Lee, S. C., Suh, Y. H., Kim, J. K., & Lee, K. J. (2004). A cross-national market segmentation of online game industry using SOM. Expert systems with applications, 27(4), 559-570.; Vesanto & Alhoniemi, 2000Vesanto, J., & Alhoniemi, E. (2000). Clustering of the self-organizing map. Neural Networks, IEEE Transactions. 11(3), 586-600.). García e Gonzáles (2004García, H. L., & González, I. M. (2004). Self-organizing map and clustering for wastewater treatment monitoring. Engineering Applications of Artificial Intelligence, 17(3), 215-225.) compararam esse índice com outros (e.g. Silhouette, Dunn e modified Hubert statistic), e o índice DB produziu os melhores resultados. O teste do índice DB foi utilizado para três, quatro, cinco e seis grupos, e os resultados foram, respectivamente, 1.455; 1,3850; 1.322; e 1,4711.

Além disso, o Silhouette coeficiente foi usado para dar maior robustez aos resultados do índice DB. O Silhouette coeficiente foi utilizado para três, quatro, cinco e seis grupos, e os resultados foram, respectivamente, 0,2823; 0,3188; 0,3283; e 0,3013. Consequentemente, o melhor resultado foi para cinco clusters. Ademais, foi usado o K-means com a mesma base em conjunto com o Silhouette coeficiente, e os resultados para três, quatro, cinco e seis grupos foram, respectivamente: 0,2967; 0,3185; 03258; e 0,2923. Segundo Isoni (2016Isoni, A. (2016). Machine Learning for the Web. Packt Publishing Ltd.), valores acima de 0,35 para o Silhouette indicam que o agrupamento foi bem executado e, considerando que os valores encontrados nesta pesquisa foram próximos, foi determinado que o agrupamento é aceitável. Esse resultado mostra que, para ambos os casos, o melhor resultado foi para cinco grupos. Além do que, o SOM teve um desempenho melhor que o K-means, mostrando uma leve superioridade.

Para o SOM, não há vetor de saída - ou seja, as saídas não são definidas no início e, portanto, não é possível provar se a rede está correta. Portanto, não é necessário dividir a amostra em aprendizado, validação e teste. No entanto, para confirmar que a rede foi agrupada corretamente, o Silhouette coeficiente foi usado como uma medida de qualidade. Além disso, a amostra foi dividida em 90% de treinamento e 10% de teste (Zhang & Hu, 1998Zhang, G., Patuwo, B. E., & Hu, M. Y. (1998). Forecasting with artificial neural networks: The state of the art. International journal of forecasting, 14(1), 35-62.). Os resultados do Silhouette coeficiente para cinco grupos foram, respectivamente, 0,3323 e 0,3321. Dessa forma, percebe-se que em todas as etapas o agrupamento apresentou resultados semelhantes para as medidas de similaridade.

Os 121 protoclusters iniciais foram agrupados em cinco grupos. A Tabela 1 mostra o número de pessoas em cada grupo. O grupo 1 foi o maior e constitui 30% da amostra; o segundo grupo constitui 19,8%; o terceiro grupo 15% (i.e. foi o menor grupo); o quarto grupo 16%; e o quinto grupo 19,3%.

O SOM foi empregado para sugerir os grupos de jogadores, pois não havia a segmentação de mercado a priori, mas o SOM não aplica nenhum teste estatístico para avaliar a diferença entre os grupos. A ANOVA foi a etapa final, mas esta não indica uma causalidade relacional entre as variáveis dentro dos segmentos de mercado. A ANOVA somente demonstra que os grupos são diferentes - tanto para as seis variáveis comportamentais que permaneceram como variáveis causais para as variáveis dependentes (desafio, competição, diversão, diversão, fantasia e interação social) quanto para as demais variáveis (flexibilidade de tempo, excitação, intenção de jogar e intenção de compra (Tabela 2).

A Tabela 3 mostra a posição de cada grupo em relação aos construtos - não apenas com relação às variáveis, mas também com relação aos outros grupos. O grupo 1 ocupou a primeira posição para todos os construtos, exceto para competição e para flexibilidade de tempo. A maioria dos resultados do grupo 2 estão na segunda e terceira posição; apenas para o desvio que houve uma diminuição para a quarta posição. O grupo 3 tem vários resultados diferentes - é o primeiro para competição, o segundo para três construtos, o terceiro para quatro construtos e fica na quarta e quinta posição para os outros dois construtos. O grupo 4 ficou com a maioria dos resultados na quarta posição, mas para o desvio ficou em segundo. Finalmente, o grupo 5 ficou na última posição para todos os construtos, exceto para a flexibilidade de tempo, em que ficou na primeira posição.

5. DISCUSSÃO

Nesta seção, primeiramente serão definidos os grupos de consumidores de jogos. Posteriormente, os resultados serão analisados com base nos critérios que devem ser observados para uma segmentação de mercado efetiva. Finalmente, são discutidas as implicações deste estudo para acadêmicos e gestores, as limitações da pesquisa e as possibilidades de pesquisas futuras.

5.1 Definições de grupo

Grupo 1: Hard players. Este é o maior grupo, com 180 participantes de uma amostra total de 601. Um conjunto de variáveis atitudinais, sociodemográficas e econômicas foram coletadas durante a pesquisa e analisadas para essa classificação. Essas variáveis destacaram o seguinte em relação aos hard players: esses participantes jogam mais de uma vez por dia, com cada sessão com mais de 2 horas de duração, durante toda a semana; computadores e videogame são seus principais dispositivos eletrônicos para jogar; a maioria (85%) é do sexo masculino; e 75% deles relataram que tiveram gastos relacionados a jogos ou a itens associados a eles.

Os hard players pontuaram alto na intenção de jogar e na intenção de compra. Embora pareçam estar ligados a produtores e vendedores de jogos, a continuidade em jogar pode ser garantida pelo reforço das características de diversão, desafio, fantasia e até excitação dos jogos (esses são os fatores motivacionais mais citados que estão associados à intenção de jogar). Uma característica importante desse grupo é que a flexibilidade do tempo não teve um efeito alto, isso significa que hard players jogam mesmo quando não têm tempo livre.

Grupo 2: Busy hard players. O segundo grupo é semelhante ao primeiro, exceto pelo fato de que suas outras atividades os impedem de jogar tanto quanto o grupo anterior. As variáveis motivacionais desse grupo estão ligadas às características de diversão e desafio dos jogos, também presentes nos cinco grupos. Busy hard players apresentaram a flexibilidade de tempo como uma importante variável para jogar. Desta forma, eles jogam, mas não se desviam de suas atividades quando as têm que fazer.

Os membros do grupo 2 geralmente jogam nos fins de semana e usam videogame. Cada sessão dura pelo menos 1 hora, com duração máxima de 6 horas. A maioria desses jogadores é do sexo masculino (85%) e relataram despesas associadas aos jogos. Eles pontuaram alto em sua intenção de jogar e intenção de compra, mas alcançaram pontuações mais baixas para esses construtos quando comparados aos do grupo 1. As implicações desses resultados para produtores e vendedores de jogos são que, em primeiro lugar, os elementos de diversão e desafio e, em segundo lugar, o elemento de fantasia, devem ser mantidos como características do jogo. No entanto, uma proposta baseada nesta pesquisa é que produtores e vendedores devem oferecer jogos que possam ser jogados por pessoas ocupadas - intermitentemente nos finais de semana e durante sessões com durações médias a longas.

Grupo 3: Pro players. O terceiro grupo é o menor e obteve uma alta classificação na competição como variável motivadora para jogar. A excitação também teve uma classificação alta quando comparada aos outros grupos, exceto com os membros do Grupo 1. Pro players apreciam a diversão e o desafio dos jogos, mas tiveram baixa pontuação para interação social e fantasia. Observando a flexibilidade de tempo, observou-se que pro players jogam o tempo todo e precisavam fazê-lo porque são jogadores profissionais. Ademais, sua intenção de compra é menor do que a dos grupos 1 e 2. Essa tendência é esperada, pois eles gastam tempo e dinheiro jogando apenas um tipo de jogo, porque precisam ser profissionais nesse jogo. Consequentemente, eles gastam menos dinheiro do que os outros grupos.

A maioria dos participantes do grupo 3 joga todos os dias da semana e prefere usar videogames; no entanto, eles também fazem uso de jogos online e smartphones. Os homens representaram a maioria (84%) desse grupo, e a maioria relatou despesas associadas a jogos. Não obstante, houve grande diversidade nos valores gastos com essa atividade.

Para produtores e vendedores de jogos, o grupo de pro players pode ser o mais difícil de alcançar. Esse grupo é composto por um número seleto de jogadores que jogam somente alguns jogos e gastam dinheiro apenas com esses jogos. Portanto, é importante fazer com que esses jogos despertem os aspectos de competição, diversão, desafio e excitação. Além disso, os produtores podem estimular a participação através de torneios que ofereçam prêmios aos vencedores, e isso estimularia os jogadores desse grupo a continuar jogando. Com base na pesquisa de Newzoo (2019), o número de pessoas que querem ser profissionais e assistem às partidas está aumentando, então esse grupo merece mais estudos para entender o que motiva os jogadores a escolher um jogo.

Grupo 4: Bored players. O quarto grupo associa os jogos à diversão, mas exibe ligações mais fracas com o desafio, a excitação, a fantasia, a interação social e a competição. Seu comportamento motivacional central é o desvio de outras atividades, mas isso não o leva a pontuações mais altas na intenção de jogar ou comprar.

Os participantes do grupo 4 jogam mais de uma vez por dia, durante a semana. Eles usam os smartphones como o principal dispositivo eletrônico, mas também usam videogames, computadores e jogos online. A maioria relatou que teve despesas relacionadas a jogos. Suas sessões de jogos foram bem distribuídas no intervalo de 1 a 6 horas por sessão. Esse grupo é composto principalmente por homens (75%).

Os desenvolvedores e vendedores de jogos precisam se perguntar como seus produtos podem permitir que esse quarto grupo alcance a satisfação de suas necessidades, que são diversão e desvio, dois dos comportamentos motivacionais mais bem ranqueados. Esse grupo joga apenas quando está entediado e procurando algo para fazer, portanto gasta pouco dinheiro com jogos. As empresas podem ganhar dinheiro com publicidade dentro do jogo, porque esses jogadores preferem partidas rápidas e podem ver anúncios para ganhar moedas ou para jogar outra partida.

Grupo 5: Casual players. Esses jogadores constituem o terceiro maior grupo. Eles têm a diversão e o desafio como motivadores para jogar, embora com as pontuações mais baixas dos cinco grupos. Suas intenções de jogar e comprar também foram as mais baixas entre os grupos.

A grande maioria joga uma ou duas vezes por mês, com maior frequência durante o fim de semana. As sessões de jogos demoram de 1 a 2 horas, mas esse grupo tem a maior proporção de jogadores de sessão curta (10 a 50 minutos). Quase metade desse grupo (40,5%) é formada por mulheres, e 65% dos casual players não relataram gastos associados a jogos. Eles jogam principalmente em smartphones e uma proporção significativa joga em videogame. Eles tiveram a maior pontuação para flexibilidade de tempo.

Os desenvolvedores e vendedores de jogos devem levar em consideração a flexibilidade de tempo como uma oportunidade para apresentar diversão em relação aos jogos eletrônicos, juntamente com outras atividades que esses membros do grupo possam realizar enquanto conduzem suas vidas com um foco casual nos jogos. Há uma pequena expectativa de que os jogos eletrônicos os atraiam a realizar qualquer gasto com jogos eletrônicos. No entanto, dado o pouco tempo que esse grupo gasta jogando, o incentivo a gastar pode ser alcançado seguindo determinadas estratégias. De acordo com Johnson (2019Johnson, M. R. (2019). Casual Games Before Casual Games: Historicizing Paper Puzzle Games in an Era of Digital Play. Games and Culture, 14(2), 119-138.), existem seis características no design de jogos casuais que podem motivar uma pessoa a jogar, além da flexibilidade de tempo. O autor enfatiza a facilidade de aprendizado, as recompensas rápidas, os temas atraentes, o conhecimento mínimo necessário e a facilidade de acesso. Assim, as empresas de jogos eletrônicos devem se concentrar nesses recursos e na flexibilidade do tempo. As outras sete variáveis não são importantes para esses jogadores.

Os resultados desta pesquisa mostraram cinco grupos diferentes de jogadores. Por se tratar de um projeto de pesquisa exploratório, não é possível se falar em generalização de dados a partir do universo de consumidores brasileiros de jogos eletrônicos, embora os grupos formados estejam alinhados com as classificações relatadas em estudos anteriores que mostraram perfis de jogadores. O estudo de Nagygyörgy et al. (2013Nagygyörgy, K., Urbán, R., Farkas, J., Griffiths, M. D., Zilahy, D., Kökönyei, G., Mervó, B. Reindl, A, Ágoston C., Kertész, A, Harmath, E. Oláh, A. & Demetrovics, Z. (2013). Typology and sociodemographic characteristics of massively multiplayer online game players. International Journal of Human-Computer Interaction, 29(3), 192-200.), que lidou com hard players, destacou características semelhantes às dos membros do grupo 1, enquanto o trabalho de Juul (2010Juul, J. (2010). A casual revolution: Reinventing video games and their players. MIT press.) identificou jogadores com características semelhantes às dos busy hard players e casual players. Além disso, os estudos de Adamus (2012Adamus, T. (2012). Playing computer games as electronic sport: In search of a theoretical framework for a new research field. In Computer games and new media cultures (pp. 477-490). Springer, Dordrecht.) e Ma, Wu e Wu (2013Ma, H., Wu, Y., & Wu, X. (2013). Research on essential difference of e-sport and online game. In Informatics and management science V (pp. 615-621). Springer, London.) abordaram os pro-players, e o estudo de Bae, Kim, Kim e Koo (2019Bae, J., Kim, S. J., Kim, K. H., & Koo, D. M. (2019). Affective value of game items: a mood management and selective exposure approach. Internet Research, 29(2), 315-328.) examinou os bored players.

5.2 Avaliação dos resultados com base em premissas de segmentação de mercado

Este estudo usou a estratégia de segmentação de mercado baseada em um produto específico não observável, com metodologia post hoc descritiva e com segmentação comportamental como tipologia. Usando esses recursos, os resultados atenderam a oito critérios estabelecidos de segmentação de mercado. Os critérios atingidos foram os seguintes:

5.3 Implicações para pesquisadores

Esta pesquisa fornece como contribuição acadêmica o uso do SOM. Além disso, a segmentação segue as etapas necessárias para uma segmentação de mercado eficaz e para tentar atender ao número máximo de critérios possíveis. Dessa forma, é possível identificar cada grupo de consumidores de jogos eletrônicos.

Em termos de utilidade para o mercado de jogos eletrônicos, esta pesquisa destaca a existência de cinco grupos diferentes de jogadores com base em variáveis motivacionais. Os resultados mostram que cada grupo possui características motivacionais e sociodemográficas específicas. Consequentemente, pesquisas futuras devem levar em consideração diferentes perfis de jogadores e não abordar todos os jogadores como se tivessem as mesmas características e como se os resultados pudessem ser generalizados para todo o mercado.

5.4 Implicações para a prática

Usando esta pesquisa, as organizações podem identificar seus consumidores-alvo e determinar quais os fatores que esses consumidores preferem em um jogo. Reconhecendo o crescimento da concorrência nesse mercado, tornou-se imperativo que as organizações saibam quem são seus clientes, seus perfis e preferências (Cheung et al., 2015Cheung, C. M., Shen, X. L., Lee, Z. W., & Chan, T. K. (2015). Promoting sales of online games through customer engagement. Electronic Commerce Research and Applications, 14(4), 241-250.).

Os grupos 1 e 2 são os jogadores que querem jogar e gastar dinheiro em jogos. Os jogadores do grupo 1 jogam constantemente, portanto as empresas precisam encontrar uma maneira de atrair a atenção desses jogadores, mas é necessário cuidado para esses jogadores, pois eles podem desenvolver um comportamento problemático em relação aos jogos (Nagygyörgy et al., 2013Nagygyörgy, K., Urbán, R., Farkas, J., Griffiths, M. D., Zilahy, D., Kökönyei, G., Mervó, B. Reindl, A, Ágoston C., Kertész, A, Harmath, E. Oláh, A. & Demetrovics, Z. (2013). Typology and sociodemographic characteristics of massively multiplayer online game players. International Journal of Human-Computer Interaction, 29(3), 192-200.). Os jogadores do grupo 2 são parecidos com os do grupo 1, porém,como não têm muito tempo livre, jogam alguns jogos por vez. Uma maneira de fazer esses jogadores gastarem com jogos é oferecer um desconto na compra, porque eles jogam e compram. O grupo 3 é composto por pro-players, o que significa que são leais a um jogo. Por isso, é importante oferecer torneios e prêmios para esse tipo de jogador, a fim de torná-lo mais leal. Também é importante para esse grupo deixar o jogo continuamente mais competitivo, divertido e desafiador, aumentando assim os sentimentos de excitação.

Outro fator importante está relacionado aos perfis dos grupos 4 e 5. Esses grupos têm maior tendência a jogar jogos eletrônicos em smartphones e são os grupos que apresentam o maior aumento no número de jogadores nos últimos anos (Kim & Lee, 2017Kim, Y. B., & Lee, S. H. (2017). Mobile gamer’s epistemic curiosity affecting continuous play intention. Focused on players’ switching costs and epistemic curiosity. Computers in Human Behavior, 77, 32-46.). No entanto, esses jogadores também têm o menor gasto como consumidores de jogos. O fato de esses grupos exibirem baixos níveis de consumo já foi explorado em outros estudos, e isso ainda pode ser observado como um grande problema que as organizações de jogos precisam superar (Hamari et al., 2017Hamari, J., Alha, K., Järvelä, S., Kivikangas, J. M., Koivisto, J., & Paavilainen, J. (2017). Why do players buy in-game content? An empirical study on concrete purchase motivations. Computers in Human Behavior, 68, 538-546.; Kim & Lee, 2017Kim, Y. B., & Lee, S. H. (2017). Mobile gamer’s epistemic curiosity affecting continuous play intention. Focused on players’ switching costs and epistemic curiosity. Computers in Human Behavior, 77, 32-46.; Park & Lee, 2011Park, B. W., & Lee, K. C. (2011). Exploring the value of purchasing online game items. Computers in Human Behavior, 27(6), 2178-2185.). Esta pesquisa propõe como solução usar anúncios em jogos e seguir as estratégias de Johnson (2019Johnson, M. R. (2019). Casual Games Before Casual Games: Historicizing Paper Puzzle Games in an Era of Digital Play. Games and Culture, 14(2), 119-138.) para tornar esses jogadores mais interessados no jogo.

Este estudo mostra os perfis desses jogadores e demonstra que diversão, flexibilidade de tempo e fantasia são as principais variáveis motivacionais do grupo 4. Isso significa que, para esse grupo, os jogos não precisam ser realistas, todavia devem ter fácil acesso e dar a possiblidade de serem jogados a qualquer momento, posto que os jogos são usados como mecanismo de escape do mundo real. Ademais, o jogo não deve causar estresse ao jogador, porque sua intenção é oposta - aliviar o estresse. Uma solução é a estratégia freemium (ou seja, o jogador pode jogar livremente, mas ele precisa pagar para obter alguns recursos premium), o que é confirmado pelos resultados deste estudo, pelas pesquisas de Souza e Freitas (2017Souza, L. L. F., & Freitas, A. A. F. (2017). Consumer behavior of electronic games’ players: a study on the intentions to play and to pay. Revista de Administração, 52(4), 419-430.) e pelo trabalho de Milošević, Živić e Andjelković (2017Milošević, M., Živić, N., & Andjelković, I. (2017). Early churn prediction with personalized targeting in mobile social games. Expert Systems with Applications, 83, 326-332.). Essa estratégia está alcançando bons resultados e sugere-se também o uso de anúncios que oferecem benefícios ao jogador que os vê.

Para o Grupo 5, a flexibilidade de tempo é a principal variável. Para as organizações de jogos eletrônicos, esse é o grupo mais desafiador de ser alcançado. Ele é o terceiro maior grupo, e é o que tem o maior número de mulheres. Esse grupo é formado por pessoas que conhecem o mundo dos jogos por meio de smartphones. Eles são novos jogadores e, consequentemente, precisam de mais atenção. Esses jogadores podem se tornar um segmento muito lucrativo porque fazem parte de um mercado inexplorado, entretanto é imperativo respeitar a principal razão de jogar: a flexibilidade do tempo. Sugerimos seguir as estratégias de Johnson (2019Johnson, M. R. (2019). Casual Games Before Casual Games: Historicizing Paper Puzzle Games in an Era of Digital Play. Games and Culture, 14(2), 119-138.) para alcançar esse grupo.

5.5 Limitações e pesquisas futuras

Esta pesquisa foi realizada no Brasil, que é o quarto maior mercado de jogos do mundo. Embora os jogadores brasileiros tenham características semelhantes às dos de outros países, os resultados desta pesquisa não podem ser generalizados para o mundo inteiro. Consequentemente, sugere-se que a segmentação do mercado seja realizada em outros países ou que sejam realizadas pesquisas interculturais para explorar as reais semelhanças entre os jogadores em todo o mundo.

Datas de Publicação

Histórico