1 Introdução

Objetivo: Explorar como diferentes mercados e localizações geográficas afetam o desempenho das empresas. O foco será identificar tendências e discrepâncias no desempenho financeiro, satisfação do cliente e inovação em diferentes segmentos e localizações.

2 Análise Estatística Descritiva

2.1 Colunas Quantitativas

Variável Tipo_de_Dados
Id Numérico
Revenue Numérico
Cost Numérico
Profit Numérico
Employees Numérico
Debt Numérico
Assets Numérico
Equity Numérico
R_D Numérico
Customer_Satisfaction Numérico
Employee_Satisfaction Numérico
Growth_Rate Numérico
Innovation_Score Numérico

2.2 Colunas Qualitativas

Variável Tipo_de_Dados
Market Texto
Location Texto

2.3 Histograma Quantitativas

library(ggplot2)


# Histogramas para variáveis quantitativas
histogramas <- lapply(variaveis_quantitativas, function(variavel) {
  ggplot(dados, aes_string(x = variavel)) +
    geom_histogram(fill = "skyblue", color = "black", bins = 30) +
    labs(title = paste("Histograma de", variavel),
         x = variavel,
         y = "Frequência") +
    theme_minimal()
})
## Warning: `aes_string()` was deprecated in ggplot2 3.0.0.
## ℹ Please use tidy evaluation idioms with `aes()`.
## ℹ See also `vignette("ggplot2-in-packages")` for more information.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
# Gráficos de frequência para variáveis qualitativas
graficos_qualitativos <- lapply(variaveis_qualitativas, function(variavel) {
  ggplot(dados, aes_string(x = `variavel`)) +
    geom_bar(fill = "skyblue", color = "black") +
    labs(title = paste("Gráfico de Frequência de", variavel),
         x = variavel,
         y = "Frequência") +
    theme_minimal()
})

# Imprimir os histogramas
print("Histogramas para Variáveis Quantitativas:")
## [1] "Histogramas para Variáveis Quantitativas:"
print(histogramas)
## [[1]]

## 
## [[2]]

## 
## [[3]]

## 
## [[4]]

## 
## [[5]]

## 
## [[6]]

## 
## [[7]]

## 
## [[8]]

## 
## [[9]]

## 
## [[10]]

## 
## [[11]]

## 
## [[12]]

## 
## [[13]]

# 
# # Imprimir os gráficos de frequência
# print("Gráficos de Frequência para Variáveis Qualitativas:")
print(graficos_qualitativos)
## [[1]]

## 
## [[2]]

## Tabelas de frequência e/ou gráficos de barras, para descrever as empresas da amostra por segmento e localização.

## Warning: There was 1 warning in `summarise()`.
## ℹ In argument: `across(all_of(variaveis_importantes), mean, na.rm = TRUE)`.
## ℹ In group 1: `Market = "Energia"` and `Location = "América do Norte"`.
## Caused by warning:
## ! The `...` argument of `across()` is deprecated as of dplyr 1.1.0.
## Supply arguments directly to `.fns` through an anonymous function instead.
## 
##   # Previously
##   across(a:b, mean, na.rm = TRUE)
## 
##   # Now
##   across(a:b, \(x) mean(x, na.rm = TRUE))
Market Location Revenue Cost Profit Employees Debt Assets Equity R_D Customer_Satisfaction Employee_Satisfaction Growth_Rate Innovation_Score
Energia América do Norte 48796.46 30746.83 2852.3365 315.5625 36492.43 68021.74 31529.31 2167.038 5.514484 6.036581 1.0041401 49.89482
Energia América do Sul 52573.53 31634.25 -2232.5554 262.6471 31239.31 61467.92 30228.61 1975.989 3.872147 3.964591 10.0483099 58.70605
Energia Europa 49366.71 29585.93 -1927.2567 287.1333 31063.45 64213.10 33149.65 2330.034 4.735598 3.988098 3.6793405 60.66319
Energia Oceania 51224.15 28766.65 1854.5710 264.5000 31365.05 64540.83 33175.78 2430.407 4.159653 4.803799 1.0179989 49.02718
Energia África 51755.50 31237.55 -624.6058 220.8750 32478.54 63034.21 30555.67 1648.937 6.115928 6.602572 -5.4548715 53.89038
Energia Ásia 50114.19 32378.64 5718.8501 273.0000 30875.57 60241.26 29365.70 1986.126 4.850296 6.066465 11.8161425 39.90027
Finanças América do Norte 51688.48 34533.40 -623.6342 250.7692 32941.59 63265.05 30323.45 2312.257 4.490149 6.633355 -5.7129605 43.51758
Finanças América do Sul 52130.92 29524.87 10012.8875 207.8750 33779.12 62188.62 28409.50 2537.204 5.981860 6.604715 10.5251309 62.10283
Finanças Europa 45627.75 25921.08 10301.4564 347.6250 35803.34 69447.10 33643.76 1632.736 7.615646 3.616986 12.4718510 50.27625
Finanças Oceania 52771.35 30476.23 4753.5601 248.8824 35800.64 68964.99 33164.35 2095.600 6.034416 4.591164 -4.3472217 44.03089
Finanças África 43480.84 26554.50 -11625.7707 288.4000 34522.70 69682.76 35160.07 2277.464 3.744680 5.409081 17.3718415 34.56214
Finanças Ásia 56162.60 33429.51 5227.9381 318.1250 35832.59 66652.96 30820.37 1861.771 5.863955 4.965120 -5.9397733 54.59715
Indústria América do Norte 48028.34 27581.30 -4164.1394 262.1000 32067.12 60331.15 28264.04 2074.270 6.219576 2.824027 0.5311625 37.02539
Indústria América do Sul 56708.52 31031.63 3820.5582 299.8182 30110.35 59485.94 29375.59 2228.441 4.992123 4.126755 -6.1094360 56.67380
Indústria Europa 53352.51 30564.30 -5912.7787 194.3636 34907.03 63814.25 28907.22 2364.301 6.978797 3.165356 -14.7117402 54.60148
Indústria Oceania 52259.51 29570.62 -10328.8379 308.1538 34483.72 67171.11 32687.39 2142.831 4.687245 5.404617 -15.6352981 43.38996
Indústria África 49531.69 29453.10 5054.4052 244.4444 31587.50 62088.62 30501.13 1974.454 6.025569 6.035403 4.1808116 35.03356
Indústria Ásia 50122.17 32352.29 3623.4538 315.8000 27705.02 58902.99 31197.96 2414.389 4.457002 4.974810 -5.2509069 48.72746
Saúde América do Norte 50929.35 31531.59 4722.7030 229.4286 33747.40 64576.96 30829.56 2354.487 3.871237 5.444150 1.3971202 37.50496
Saúde América do Sul 50790.39 29131.12 1261.5912 246.0000 22942.85 52341.46 29398.61 2087.977 4.740992 4.697864 16.7987964 51.86249
Saúde Europa 52737.27 33310.34 -2093.8433 265.3571 31264.26 62582.63 31318.37 2288.721 4.975412 4.083858 1.4935488 48.87618
Saúde Oceania 51553.72 30445.54 -6560.7342 289.4444 24717.81 53244.73 28526.92 2231.569 5.117620 5.555836 3.3506726 49.96441
Saúde África 53040.22 32394.56 -5100.1538 227.2941 30845.56 62057.90 31212.35 2422.028 4.858835 4.548928 -3.7320949 49.97222
Saúde Ásia 51372.44 33978.95 8450.5370 270.6250 31352.68 64139.40 32786.72 1957.297 5.085921 6.652615 4.6537903 44.63114
Tecnologia América do Norte 51805.98 28182.59 -4817.1259 291.7273 33329.61 63912.58 30582.98 1892.825 5.435845 5.678774 11.9485405 36.91156
Tecnologia América do Sul 48833.66 27088.66 -1543.5545 228.7500 26289.91 59714.50 33424.58 2058.541 3.407484 5.796858 0.0236297 55.88314
Tecnologia Europa 49854.88 29128.11 8755.1153 276.5909 29100.65 60127.72 31027.07 2204.905 5.280437 6.856655 1.3484853 51.46813
Tecnologia Oceania 49475.63 27335.70 12097.4353 289.7333 34227.81 64841.31 30613.51 2132.874 4.325020 5.406128 -1.8983990 58.02043
Tecnologia África 51270.92 30562.15 2768.6810 237.3846 30813.04 62660.09 31847.05 2298.385 4.997100 5.065623 -6.7122908 37.92653
Tecnologia Ásia 49343.97 30887.64 -3640.8574 324.2222 29042.81 57059.50 28016.69 2244.440 4.564721 5.400235 7.5900068 38.30365
Varejo América do Norte 53348.44 31148.94 -3609.3387 194.3636 34717.49 67035.01 32317.52 2660.451 5.759681 3.996011 -15.9007831 53.05822
Varejo América do Sul 51044.34 30261.03 -6283.4104 318.1765 34822.26 66940.25 32117.98 2088.384 5.339726 5.267918 2.5357467 38.73557
Varejo Europa 56411.22 34914.21 4517.6822 296.7500 27525.97 59990.77 32464.81 2171.700 3.570722 4.257435 -7.9648844 43.70814
Varejo Oceania 54339.24 34119.10 4532.7178 230.0526 32811.45 66641.16 33829.71 2069.222 4.225858 4.206713 7.7289199 49.41593
Varejo África 51764.80 31936.67 248.3597 288.9167 29555.97 62351.10 32795.13 1971.525 6.444315 5.915930 14.2612982 39.41773
Varejo Ásia 56099.28 31219.64 6564.7949 298.0000 31928.16 59235.24 27307.08 2367.949 4.266673 3.822018 15.0726446 54.87507

2.4 Outliers com Box-Plots

plot_box = function(variavel){
ggplot(dados, aes_string(y= variavel))+
  geom_boxplot()+
    labs(
      title=paste("Boxplot de ", variavel),
      y = variavel
    )
}

lapply(variaveis_quantitativas[variaveis_quantitativas != "Id"] , plot_box)
## [[1]]

## 
## [[2]]

## 
## [[3]]

## 
## [[4]]

## 
## [[5]]

## 
## [[6]]

## 
## [[7]]

## 
## [[8]]

## 
## [[9]]

## 
## [[10]]

## 
## [[11]]

## 
## [[12]]

library(ggplot2)
library(reshape2)
## 
## Attaching package: 'reshape2'
## The following object is masked from 'package:tidyr':
## 
##     smiths
# Calcular matriz de correlação
correlacao <- cor(dados[, variaveis_quantitativas], use = "pairwise.complete.obs")

# Converter matriz de correlação em um dataframe
cor_df <- melt(correlacao)

# Criar o gráfico de mapa de calor
ggplot(cor_df, aes(Var1, Var2, fill = value)) +
  geom_tile(color = "white") +
  scale_fill_gradient(low = "blue", high = "red") +
  labs(title = "Mapa de Calor da Correlação entre Variáveis Quantitativas",
       x = "Variável", y = "Variável") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust = 1))

3 Análise de Relações

3.1 Relação entre a Receita e Pontuação de Inovação entre as localizações geográficas.

dados %>% ggplot(aes(Revenue, Innovation_Score)) +
  facet_wrap(~Location)+
  geom_point()+
  labs(
    title = 'Relação entre Receita e Inovação entre as regiões',
    x='Receita',
    y='Inovação'
  )
Relação entre Receita e Inovação entre as regiões

Figure 3.1: Relação entre Receita e Inovação entre as regiões

Não parece que há relação entre Inovação e Receita entre as regiões.

3.2 Relação entre Receita e Taxa de crescimento entre as regiões

dados %>% ggplot(aes(Revenue, Growth_Rate))+
  facet_wrap(~Location)+
  geom_point()+
  labs(
    title = 'Relação entre Receita e Taxa de crescimento entre as regiões',
    x='Receita',
    y='Taxa de Crescimento'
  )
Relação entre Receita e Taxa de crescimento entre as regiões

Figure 3.2: Relação entre Receita e Taxa de crescimento entre as regiões

Não parece que há relação entre Receita e Taxa de crescimento entre as regiões.

3.3 Relação entre Receita e Taxa de crescimento entre os segmentos de mercado

dados %>% ggplot(aes(Revenue, Growth_Rate))+
  facet_wrap(~Market)+
  geom_point()+
  labs(
    title='Relação entre Receita e Taxa de crescimento entre os segmentos de mercado',
    x='Receita',
    y='Taxa de crescimento'
  )
Relação entre Receita e Taxa de crescimento entre os segmentos de mercado

Figure 3.3: Relação entre Receita e Taxa de crescimento entre os segmentos de mercado

Também nao há relação entre Receita e Taxa de crescimento entre os segmentos de mercado.

3.4 Como a satisfação do cliente e a pontuação de inovação variam entre diferentes segmentos?

dados %>% ggplot(aes(Customer_Satisfaction, Innovation_Score))+
  facet_wrap(~Market)+
  geom_point()+
  labs(
    title = "Satisfação do cliente e a pontuação de inovação entre segmentos",
    x='Satisfação do Cliente',
    y='Pontuação de Inovação',
  )
Satisfação do cliente e a pontuação de inovação entre segmentos

Figure 3.4: Satisfação do cliente e a pontuação de inovação entre segmentos

A relação entre a satisfação do cliente e a pontuação de inovação não parece ter uma relação linear entre os segmentos de mercado.

3.5 Existe uma relação entre a localização geográfica das empresas e seu desempenho em inovação e satisfação do cliente?

dados %>% ggplot(aes(Innovation_Score, Customer_Satisfaction))+
  facet_wrap(~Location)+
  geom_point()+
  labs(
    title = 'relação entre a localização geográfica das empresas e seu desempenho em inovação e satisfação do cliente',
    x  = 'Pontuação de Inovação',
    y = 'Satisfação do cliente'
  )
relação entre a localização geográfica das empresas e seu desempenho em inovação e satisfação do cliente

Figure 3.5: relação entre a localização geográfica das empresas e seu desempenho em inovação e satisfação do cliente

Não há relação linear entre pontuação de inovação e satisfação do cliente entre as diferentes localizações geográficas.

4 Conclusões

Com base na análise realizada, várias conclusões podem ser extraídas sobre o desempenho das empresas em diferentes mercados e localizações geográficas. Primeiramente, observamos que não parece haver uma relação clara entre a inovação e a receita das empresas em diferentes regiões. Além disso, a análise não revelou uma associação significativa entre a receita e a taxa de crescimento tanto dentro das regiões quanto entre os diferentes segmentos de mercado.

Em relação à satisfação do cliente e inovação, não foi encontrada uma relação linear consistente entre esses dois indicadores nos diversos segmentos de mercado. Da mesma forma, ao avaliar a relação entre a localização geográfica das empresas e seu desempenho em inovação e satisfação do cliente, não foi identificada uma associação clara entre essas variáveis em diferentes regiões. Essas conclusões sugerem que o desempenho das empresas pode ser influenciado por uma variedade de fatores além da localização geográfica, como estratégias de negócios, cultura organizacional e condições de mercado específicas. Portanto, para uma compreensão mais completa do desempenho empresarial, é necessário considerar uma análise mais aprofundada e holística que leve em conta uma variedade de variáveis e contextos específicos.