Relatório Final

Alunas

Clara Ferreira Gonzalez (20241520013) clara.gonzalez@edu.unirio.br

Ana Carolina Rodrigues de Queiroz (20241520058) anaqueiroz29@edu.unirio.br

Ana Beatriz da Silva Fata Vieira (20241520011) anabeatrizfata@edu.unirio.br

Evelin Alice Gomes da Silva ( 20241520035) evelin.a.silva@edu.unirio.br

Maria Carolina Pereira Soares (20232520043) mcarolinasoares02@edu.unirio.br

Tonalidades de Base no Mercado Global: Um Estudo Comparativo entre EUA, Japão, Nigéria e Índia

Pacotes

library(ggplot2)
library(dplyr)
library(tidyr)
library(ggpubr)
library(rstatix)
library(corrplot)
library(sf)
library(reshape2)
library(flextable)

Base de dados

shades <- read.csv("C:/Users/Mamede/Desktop/Bia/shades.csv")

Tratar de valores ausentes

shades<- shades %>% na.omit()

Reclassificação de variáveis categóricas

shades$group <- factor(shades$group, levels = 0:7, 
                     labels = c("Fenty Beauty's PRO FILT'R Foundation Only", 
                                "Make Up For Ever's Ultra HD Foundation Only", 
                                "US Best Sellers", 
                                "BIPOC-recommended Brands with BIPOC Founders", 
                                "BIPOC-recommended Brands with White Founders", 
                                "Nigerian Best Sellers", 
                                "Japanese Best Sellers", 
                                "Indian Best Sellers"))

Resumo

Este estudo investiga como fatores culturais, demográficos e climáticos influenciam as preferências por tonalidades de bases de maquiagem em quatro países: Estados Unidos, Japão, Nigéria e Índia. A pesquisa utilizou um conjunto de dados abrangente para analisar características como matiz, saturação, brilho e luminosidade, buscando identificar padrões regionais, diferenças entre marcas locais e internacionais, e relações com tons de pele e contextos culturais. Os resultados evidenciaram disparidades significativas na oferta de tonalidades, com destaque para a valorização de tons claros no Japão e tons quentes em países tropicais. A análise reforça a importância de estratégias mais inclusivas no setor, promovendo a criação de produtos que atendam à diversidade de tons de pele e ideais de beleza ao redor do mundo. Essa abordagem não só contribui para maior equidade no mercado, mas também representa uma oportunidade de expansão econômica para as marcas que investirem em inovação e representatividade.

1.Introdução

A indústria da maquiagem desempenha um papel central no mercado global e na construção da identidade e autoestima de milhões de pessoas. Mais do que um setor estético, ela reflete e influencia movimentos culturais, promovendo debates essenciais sobre inclusão e diversidade. A falta de tons de base que atendam à diversidade de peles é um exemplo que destaca as lacunas ainda presentes no setor e a importância de atender às necessidades de públicos variados. Ao reconhecer as singularidades de diferentes tons de pele, estilos e culturas, a maquiagem se torna um instrumento de valorização da individualidade, alinhando inovação e representatividade em uma sociedade cada vez mais plural. Este estudo se propõe a analisar essa diversidade, explorando como as preferências por tonalidades variam entre diferentes regiões e culturas. Utilizando um conjunto de dados robusto, serão investigadas as relações entre as tonalidades de maquiagem e fatores como cultura, demografia e características individuais.

2.Objetivos

- Objetivo Principal: Analisar a influência de fatores culturais e demográficos nas preferências por tonalidades de maquiagem em quatro países: Estados Unidos, Japão, Nigéria e Índia.

- Objetivos Específicos:

1.Identificar as tonalidades mais populares em cada país por meio das distribuições de Matiz (H), Saturação (S), Brilho (V) e Luminosidade (L).

2.Comparar diferenças nas características de cor entre os países, destacando as variações mais significativas.

3.Explorar a relação entre tonalidade de pele e escolhas de maquiagem, avaliando a influência cultural e demográfica.

4.Examinar padrões de cores quentes e frias, avaliando sua ligação com fatores regionais e o impacto das marcas mais vendidas, considerando tendências locais e padronização global.

3.Metodologia da Pesquisa

O presente estudo utilizou uma abordagem quantitativa para analisar as preferências de tonalidades de maquiagem em quatro países diferentes: Estados Unidos, Japão, Nigéria e Índia. O objetivo foi investigar como fatores culturais, demográficos e climáticos influenciam essas escolhas, considerando os parâmetros de cor no modelo HSB/HSV (Matiz, Saturação e Brilho) e no modelo CIE Lab (Luminosidade).

A metodologia foi estruturada em cinco etapas principais:

1. Coleta de Dados

Os dados analisados foram extraídos de fontes confiáveis, incluindo a pesquisa “The Pudding Beauty Brawl” (2018), complementada por listas de produtos mais vendidos em plataformas como POPSUGAR, Amazon e BeautyInLagos. A base de dados contém 625 observações (linhas), representando tonalidades exclusivas de produtos de maquiagem das marcas listadas. Os dados incluem:

• Tonalidades de maquiagem: Representadas por códigos hexadecimais convertidos para os espaços HSB e CIE Lab.

• Origem das marcas: Classificadas em locais e internacionais.

• Segmentação regional: Grupos representando as preferências nos Estados Unidos, Japão, Nigéria e Índia.

Além disso, a base foi organizada para incluir informações demográficas e culturais associadas aos países analisados.

2. Pré-processamento e Segmentação

Os dados foram tratados e segmentados em grupos para análise. As etapas incluíram:

1. Tratamento de valores ausentes: Remoção de registros incompletos.

2. Conversão de códigos hexadecimais: Para garantir análises consistentes em HSB e CIE Lab.

3. Substituição de valores numéricos por rótulos descritivos:

• Exemplo: O grupo “0” foi substituído por “Fenty Beauty’s PRO FILT’R Foundation Only”.

4. Divisão em grupos: Representando os países e segmentos de mercado.

Os grupos definidos foram:

• 0: Fenty Beauty’s PRO FILT’R Foundation Only.
• 1: Make Up For Ever’s Ultra HD Foundation Only.
• 2: US Best Sellers.
• 3: BIPOC-recommended Brands with BIPOC Founders.
• 4: BIPOC-recommended Brands with White Founders.
• 5: Nigerian Best Sellers.
• 6: Japanese Best Sellers.
• 7: Indian Best Sellers.

4. Descrição detalhada (codebook):

Média, Mediana e Desvios da Matiz

shades %>% group_by(brand) %>% summarise(media = round(mean(H), 2), 
                                         desvio_padrao = round(sd(H),2),
                                         minimo = min(H),
                                         meadiana = median(H),
                                         maximo = max(H))%>% 
flextable() %>%  theme_vader()

brand	media	desvio_padrao	minimo	meadiana	maximo
Addiction	27.06	1.85	25	27.0	30
Beauty Bakerie	29.20	6.22	18	29.5	45
Bharat & Doris	33.57	4.28	29	33.0	42
Black Opal	20.33	3.77	13	21.0	25
Black Up	21.83	6.41	8	23.5	30
Blue Heaven	27.00	4.24	24	27.0	30
Bobbi Brown	27.07	4.53	17	28.0	33
Colorbar	25.67	1.15	25	25.0	27
Dior	26.83	3.37	24	25.5	32
Elsas Pro	18.73	5.12	10	20.0	26
Estée Lauder	26.05	3.13	20	25.0	33
Fenty	25.70	2.86	19	26.0	33
Hegai and Ester	18.80	9.44	4	20.0	34
House of Tara	23.00	5.08	14	23.0	29
IPSA	24.83	4.07	19	24.0	30
Iman	28.38	3.81	25	27.5	36
Kate	26.50	3.02	23	26.0	32
Kuddy	23.60	4.16	21	22.0	31
L'Oréal	23.81	4.37	13	24.0	30
Lakmé	25.00	4.40	20	25.0	30
Lancôme	25.42	4.41	14	26.0	32
Laws of Nature	21.59	5.76	10	23.0	29
Lotus Herbals	27.25	2.75	24	27.5	30
MAC	28.76	3.19	22	29.0	36
Make Up For Ever	20.18	6.17	5	20.5	37
Maybelline	24.72	3.97	12	24.5	32
NARS	28.92	2.60	26	28.0	35
Nykaa	22.80	1.79	21	23.0	25
Olivia	25.25	2.99	21	26.0	28
RMK	28.11	6.75	12	29.0	36
Revlon	21.45	3.78	14	21.0	31
Shiseido	23.83	2.32	21	23.5	27
Shu Uemera	30.91	5.19	21	30.0	37
Trim & Prissy	25.77	3.65	20	28.0	30
bareMinerals	29.31	2.44	26	29.0	35

Média, Mediana e Desvios da Saturação

shades %>% group_by(brand) %>% summarise(media= round(mean(S),2),
                                        desvio_padrao= round(sd(S),2),
                                        minimo=min(S),
                                        meadiana=median(S),
                                        maximo= max(S))%>% 
flextable() %>%  theme_vader()

brand	media	desvio_padrao	minimo	meadiana	maximo
Addiction	0.43	0.10	0.25	0.470	0.60
Beauty Bakerie	0.41	0.20	0.12	0.400	0.77
Bharat & Doris	0.41	0.07	0.29	0.410	0.49
Black Opal	0.54	0.04	0.47	0.530	0.60
Black Up	0.57	0.12	0.24	0.595	0.73
Blue Heaven	0.42	0.01	0.41	0.420	0.43
Bobbi Brown	0.52	0.19	0.18	0.495	1.00
Colorbar	0.38	0.07	0.30	0.410	0.42
Dior	0.29	0.04	0.25	0.270	0.36
Elsas Pro	0.44	0.05	0.37	0.440	0.54
Estée Lauder	0.54	0.15	0.25	0.545	0.76
Fenty	0.48	0.18	0.12	0.500	0.79
Hegai and Ester	0.62	0.09	0.47	0.645	0.74
House of Tara	0.67	0.08	0.52	0.680	0.76
IPSA	0.34	0.03	0.31	0.340	0.39
Iman	0.66	0.25	0.27	0.695	0.94
Kate	0.40	0.09	0.24	0.425	0.51
Kuddy	0.53	0.03	0.50	0.520	0.57
L'Oréal	0.44	0.20	0.20	0.395	0.92
Lakmé	0.41	0.05	0.35	0.410	0.47
Lancôme	0.48	0.15	0.10	0.475	0.86
Laws of Nature	0.53	0.18	0.22	0.550	0.86
Lotus Herbals	0.36	0.15	0.17	0.355	0.54
MAC	0.41	0.12	0.17	0.390	0.65
Make Up For Ever	0.35	0.09	0.14	0.360	0.54
Maybelline	0.41	0.12	0.20	0.400	0.64
NARS	0.48	0.11	0.33	0.480	0.69
Nykaa	0.37	0.08	0.26	0.400	0.45
Olivia	0.67	0.07	0.61	0.670	0.74
RMK	0.43	0.11	0.26	0.390	0.59
Revlon	0.39	0.05	0.31	0.380	0.49
Shiseido	0.41	0.05	0.35	0.415	0.49
Shu Uemera	0.42	0.10	0.24	0.420	0.58
Trim & Prissy	0.52	0.07	0.34	0.550	0.60
bareMinerals	0.45	0.12	0.25	0.420	0.65

Média, Mediana e Desvios do Brilho

shades %>% group_by(brand) %>% summarise(media= round(mean(V),2),
                                          desvio_padrao= round(sd(V), 2),
                                          minimo=min(V),
                                          meadiana=median(V),
                                          maximo= max(S))%>% 
flextable() %>%  theme_vader()

brand	media	desvio_padrao	minimo	meadiana	maximo
Addiction	0.91	0.08	0.76	0.920	0.60
Beauty Bakerie	0.79	0.20	0.31	0.875	0.77
Bharat & Doris	0.85	0.05	0.80	0.840	0.49
Black Opal	0.52	0.16	0.30	0.480	0.60
Black Up	0.64	0.21	0.21	0.675	0.73
Blue Heaven	0.92	0.01	0.91	0.915	0.43
Bobbi Brown	0.76	0.16	0.38	0.820	1.00
Colorbar	0.88	0.07	0.80	0.900	0.42
Dior	0.89	0.03	0.84	0.895	0.36
Elsas Pro	0.62	0.15	0.45	0.550	0.54
Estée Lauder	0.76	0.17	0.37	0.815	0.76
Fenty	0.78	0.18	0.35	0.835	0.79
Hegai and Ester	0.76	0.16	0.56	0.765	0.74
House of Tara	0.55	0.12	0.36	0.560	0.76
IPSA	0.92	0.01	0.91	0.930	0.39
Iman	0.65	0.19	0.39	0.645	0.94
Kate	0.87	0.08	0.76	0.885	0.51
Kuddy	0.79	0.06	0.70	0.780	0.57
L'Oréal	0.81	0.18	0.30	0.865	0.92
Lakmé	0.79	0.06	0.74	0.770	0.47
Lancôme	0.78	0.18	0.22	0.840	0.86
Laws of Nature	0.63	0.18	0.20	0.650	0.86
Lotus Herbals	0.85	0.10	0.72	0.875	0.54
MAC	0.81	0.11	0.45	0.825	0.65
Make Up For Ever	0.81	0.14	0.39	0.850	0.54
Maybelline	0.78	0.21	0.25	0.885	0.64
NARS	0.89	0.06	0.79	0.890	0.69
Nykaa	0.85	0.05	0.80	0.830	0.45
Olivia	0.85	0.10	0.72	0.870	0.74
RMK	0.94	0.07	0.76	0.970	0.59
Revlon	0.85	0.10	0.56	0.870	0.49
Shiseido	0.88	0.05	0.80	0.910	0.49
Shu Uemera	0.88	0.09	0.69	0.900	0.58
Trim & Prissy	0.72	0.15	0.47	0.690	0.60
bareMinerals	0.77	0.15	0.43	0.820	0.65

Média, Mediana e Desvios da Luminosidade

shades %>% group_by(brand) %>% summarise(media= round(mean(L) ,2),
                                          desvio_padrao= round(sd(L), 2),
                                          minimo=min(L),
                                          meadiana=median(L),
                                          maximo= max(S))%>% 
flextable() %>%  theme_vader()

brand	media	desvio_padrao	minimo	meadiana	maximo
Addiction	77.29	9.44	60	77.0	0.60
Beauty Bakerie	68.90	22.92	22	76.5	0.77
Bharat & Doris	75.00	5.51	68	75.0	0.49
Black Opal	41.58	14.53	23	38.5	0.60
Black Up	50.44	20.15	16	53.0	0.73
Blue Heaven	77.50	0.71	77	77.5	0.43
Bobbi Brown	63.13	17.72	28	67.0	1.00
Colorbar	75.67	6.51	69	76.0	0.42
Dior	80.00	3.79	73	81.0	0.36
Elsas Pro	51.09	13.25	36	45.0	0.54
Estée Lauder	62.40	16.58	27	66.0	0.76
Fenty	65.62	19.10	25	67.5	0.79
Hegai and Ester	56.10	14.17	38	55.0	0.74
House of Tara	41.82	12.25	23	42.0	0.76
IPSA	80.17	3.31	75	80.5	0.39
Iman	52.75	19.26	27	50.0	0.94
Kate	74.83	9.37	61	75.5	0.51
Kuddy	62.80	6.42	54	62.0	0.57
L'Oréal	68.50	18.58	19	75.5	0.92
Lakmé	67.50	5.57	62	66.5	0.47
Lancôme	64.78	18.65	14	71.5	0.86
Laws of Nature	51.00	18.32	11	53.0	0.86
Lotus Herbals	74.75	7.85	67	75.0	0.54
MAC	70.29	11.30	36	72.5	0.65
Make Up For Ever	70.03	14.81	31	73.5	0.54
Maybelline	66.44	19.38	16	76.0	0.64
NARS	74.69	7.79	62	74.0	0.69
Nykaa	72.60	7.09	65	74.0	0.45
Olivia	63.50	7.77	54	64.0	0.74
RMK	79.78	9.97	58	82.0	0.59
Revlon	71.41	9.70	47	73.0	0.49
Shiseido	74.17	5.49	65	76.5	0.49
Shu Uemera	76.09	9.18	59	75.0	0.58
Trim & Prissy	59.08	14.04	39	57.0	0.60
bareMinerals	66.24	14.70	35	71.0	0.65

5.Hipóteses Possíveis

Hipótese 1: As preferências de tonalidade de base em cada país estão fortemente correlacionadas com as características demográficas e culturais da população (ex.: cor de pele predominante, preferências de maquiagem).

Hipótese 2: Existem diferenças significativas nas distribuições de saturação e brilho das bases de maquiagem nos diferentes países, com maior saturação nos Estados Unidos e menor saturação em países asiáticos como o Japão.

Hipótese 3: As tonalidades de base de maquiagem vendidas na Índia e Nigéria serão predominantemente mais escuras, enquanto as tonalidades dos Estados Unidos e Japão serão mais claras e neutras.

Hipótese 4: O valor de luminosidade (L) será mais alto para as cores de base no Japão e Estados Unidos devido ao foco em um visual mais luminoso e radiante, enquanto a Nigéria e a Índia tendem a ter bases com valores de luminosidade mais baixos.

Hipótese 5: A saturação (S) das cores de base será maior na Nigéria e Índia, devido ao desejo por tonalidades de pele mais vibrantes e ousadas, enquanto os Estados Unidos e Japão preferem bases com menor saturação.

6. Testes e Gráficos

Teste global para cada variável

shapiro.test(shades$H)

## 
##  Shapiro-Wilk normality test
## 
## data:  shades$H
## W = 0.97394, p-value = 5.56e-09

shapiro.test(shades$S)

## 
##  Shapiro-Wilk normality test
## 
## data:  shades$S
## W = 0.98615, p-value = 1.464e-05

shapiro.test(shades$V)

## 
##  Shapiro-Wilk normality test
## 
## data:  shades$V
## W = 0.89754, p-value < 2.2e-16

shapiro.test(shades$L)

## 
##  Shapiro-Wilk normality test
## 
## data:  shades$L
## W = 0.93961, p-value = 4.558e-15

Teste por grupo

groups <- unique(shades$group)

for (grp in groups) {
  cat("\n### Grupo:", grp, "###\n")
  cat("H - p-value:", shapiro.test(shades$H[shades$group == grp])$p.value, "\n")
  cat("S - p-value:", shapiro.test(shades$S[shades$group == grp])$p.value, "\n")
  cat("V - p-value:", shapiro.test(shades$V[shades$group == grp])$p.value, "\n")
  cat("L - p-value:", shapiro.test(shades$L[shades$group == grp])$p.value, "\n")
  cat("\n")
}

## 
## ### Grupo: US Best Sellers ###
## H - p-value: 0.03332352 
## S - p-value: 0.0004263998 
## V - p-value: 2.481401e-08 
## L - p-value: 2.76618e-06 
## 
## 
## ### Grupo: Fenty Beauty's PRO FILT'R Foundation Only ###
## H - p-value: 0.7502723 
## S - p-value: 0.2152828 
## V - p-value: 0.002482599 
## L - p-value: 0.1179271 
## 
## 
## ### Grupo: BIPOC-recommended Brands with BIPOC Founders ###
## H - p-value: 0.4898257 
## S - p-value: 0.03534906 
## V - p-value: 0.002923898 
## L - p-value: 0.02886407 
## 
## 
## ### Grupo: BIPOC-recommended Brands with White Founders ###
## H - p-value: 0.001893187 
## S - p-value: 0.04739846 
## V - p-value: 4.063837e-08 
## L - p-value: 3.916407e-06 
## 
## 
## ### Grupo: Make Up For Ever's Ultra HD Foundation Only ###
## H - p-value: 0.5728517 
## S - p-value: 0.8960576 
## V - p-value: 0.0001885639 
## L - p-value: 0.008018506 
## 
## 
## ### Grupo: Nigerian Best Sellers ###
## H - p-value: 0.08156766 
## S - p-value: 0.3193703 
## V - p-value: 0.3313078 
## L - p-value: 0.8129846 
## 
## 
## ### Grupo: Japanese Best Sellers ###
## H - p-value: 0.006058661 
## S - p-value: 0.262991 
## V - p-value: 0.001618503 
## L - p-value: 0.03759171 
## 
## 
## ### Grupo: Indian Best Sellers ###
## H - p-value: 0.02176784 
## S - p-value: 0.01680078 
## V - p-value: 4.667532e-07 
## L - p-value: 4.572731e-06

Kruskal-Wallis para cada variável

kruskal.test(H ~ group, data = shades)

## 
##  Kruskal-Wallis rank sum test
## 
## data:  H by group
## Kruskal-Wallis chi-squared = 77.793, df = 7, p-value = 3.878e-14

kruskal.test(S ~ group, data = shades)

## 
##  Kruskal-Wallis rank sum test
## 
## data:  S by group
## Kruskal-Wallis chi-squared = 74.341, df = 7, p-value = 1.951e-13

kruskal.test(V ~ group, data = shades)

## 
##  Kruskal-Wallis rank sum test
## 
## data:  V by group
## Kruskal-Wallis chi-squared = 103.72, df = 7, p-value < 2.2e-16

kruskal.test(L ~ group, data = shades)

## 
##  Kruskal-Wallis rank sum test
## 
## data:  L by group
## Kruskal-Wallis chi-squared = 96.243, df = 7, p-value < 2.2e-16

Matriz de correlação (Spearman)

correlation_matrix <- cor(shades[, c("H", "S", "V", "L")], method = "spearman")
print(correlation_matrix)

##            H          S          V          L
## H  1.0000000 -0.1564221  0.3367583  0.3934477
## S -0.1564221  1.0000000 -0.7527771 -0.8536919
## V  0.3367583 -0.7527771  1.0000000  0.9724660
## L  0.3934477 -0.8536919  0.9724660  1.0000000

Mapa de calor da correlação

cor_melted <- melt(correlation_matrix)
ggplot(cor_melted, aes(Var1, Var2, fill = value)) +
  geom_tile() +
  scale_fill_gradient2(low = "blue", mid = "white", high = "red", midpoint = 0) +
  labs(title = "Mapa de Calor da Correlação (Spearman)",
       x = "Variáveis", y = "Variáveis", fill = "Correlação") +
  theme_minimal()

Densidade de H

ggplot(shades, aes(x = H, fill = group)) +
  geom_density(alpha = 0.6) +
  labs(title = "Distribuição de Matiz (H) por Grupo",
       x = "Matiz (H)", y = "Densidade", fill = "Grupo") +
  theme_minimal()

Densidade de S

ggplot(shades, aes(x = S, fill = group)) +
  geom_density(alpha = 0.6) +
  labs(title = "Distribuição de Saturação (S) por Grupo",
       x = "Saturação (S)", y = "Densidade", fill = "Grupo") +
  theme_minimal()

Densidade de V

ggplot(shades, aes(x = V, fill = group)) +
  geom_density(alpha = 0.6) +
  labs(title = "Distribuição de Brilho (V) por Grupo",
       x = "Brilho (V)", y = "Densidade", fill = "Grupo") +
  theme_minimal()

Densidade de L

ggplot(shades, aes(x = L, fill = group)) +
  geom_density(alpha = 0.6) +
  labs(title = "Distribuição de Luminosidade(L) por Grupo",
       x = "Luminosidade (L)", y = "Densidade", fill = "Grupo") +
  theme_minimal()

Boxplot para Matiz (H)

ggplot(shades, aes(x = group, y = H, fill = group)) +
  geom_boxplot() +
  labs(title = "Boxplot de Matiz (H) por Grupo", 
       x = "Grupo", 
       y = "Matiz (H)") +
  theme_minimal() +
  theme(axis.text.x = element_blank())

Boxplot para Saturação (S)

ggplot(shades, aes(x = group, y = S, fill = group)) +
  geom_boxplot() +
  labs(title = "Boxplot de Saturacao (S) por Grupo",
       x = "Grupo",
       y = "Saturacao (S)") +
  theme_minimal() +
  theme(axis.text.x = element_blank())

Boxplot para Brilho (V)

ggplot(shades, aes(x = group, y = V, fill = group)) +
  geom_boxplot() +
  labs(title = "Boxplot de Brilho (V) por Grupo",
       x = "Grupo",
       y = "Brilho (V)") +
  theme_minimal() +
  theme(axis.text.x = element_blank())

Boxplot para Luminosidade (L)

ggplot(shades, aes(x = group, y = L, fill = group)) +
  geom_boxplot() +
  labs(title = "Boxplot de Luminosidade (L) por Grupo",
       x = "Grupo",
       y = "Luminosidade (L)") +
  theme_minimal() +
  theme(axis.text.x = element_blank())

Gráfico de barras das preferências de cores quentes vs frias por grupo

shades <- shades %>%
  mutate(color_category = ifelse(H < 90 | H > 270, "Warm", "Cool"))

ggplot(shades, aes(x = color_category, fill = group)) +
  geom_bar(position = "dodge") +
  labs(title = "Preferências por Cores Quentes vs Frias por Grupo",
       x = "Tipo de Cor", y = "Frequência", fill = "Grupo") +
  theme_minimal()

Objetivo 1: Identificar as tonalidades mais populares em cada país

Resultados dos Testes e Gráficos

1. Gráficos de densidade para H, S, V, e L:

Os gráficos mostram claramente as distribuições das tonalidades entre os países:

- Japão e Estados Unidos:

• Predominância de tons claros e neutros, evidenciada por valores mais altos de L (luminosidade).
• Matiz (H) concentrado em tons frios.

- Nigéria e Índia:

• Predominância de tons mais saturados (S mais alto) e escuros (L mais baixo).
• Distribuições de H mostram maior concentração em matizes mais quentes.

2. Boxplots:

Os boxplots destacam variações e dispersões para cada país:

- Nigéria e Índia:

• Maiores intervalos de saturação (S) e menores valores médios de luminosidade (L).

- Japão e Estados Unidos:

• Valores médios de L mais altos (preferência por tons radiantes).

Conclusão

A análise mostra padrões claros nas tonalidades mais populares por país. Isso confirma que as escolhas estão relacionadas às preferências locais:

• Japão e EUA: Preferem tons claros e frios.

• Nigéria e Índia: Preferem tons mais escuros e saturados.

Objetivo 2: Comparar as diferenças nas distribuições de tonalidades entre os países

Resultados dos Testes e Gráficos

1. Teste de Kruskal-Wallis:

• Os p-valores para H, S, V, e L são extremamente baixos (< 0,05), indicando diferenças significativas entre os países para todas as variáveis.
• A maior diferença foi observada em L (luminosidade), refletindo contrastes entre tons claros e escuros.

2. Gráficos: As formas dos gráficos indicam distribuições distintas entre os países:

• Japão: Tons muito claros com menor dispersão de H e L.
• Nigéria e Índia: Distribuições amplas de H e valores baixos de L, indicando maior diversidade de tonalidades escuras.

3. Mapa de Calor da Correlação:

Relação negativa forte entre S e L (−0,81-0,81−0,81) sugere que tons mais saturados estão associados a menor luminosidade, explicando as diferenças entre países tropicais e temperados.

Conclusão

As diferenças estatisticamente significativas confirmam que as características de cor variam entre os países, alinhando-se às preferências culturais e climáticas.

Objetivo 3: Explorar a relação entre tonalidade de pele e escolha de maquiagem

Resultados dos Testes e Gráficos

1. Correlação de Spearman:

Relações significativas entre as variáveis:

• S e L: Correlação negativa (−0,853-0,853−0,853) indica que tons saturados tendem a ser menos luminosos.

• H e L: Correlação moderada positiva (0,4510,4510,451), sugerindo que tons mais claros tendem a ser mais neutros.

2. Gráficos:

A relação entre H e L mostra que países com tons claros (Japão e EUA) apresentam menor saturação, enquanto países tropicais têm maior saturação e menor luminosidade.

Conclusão

As preferências de maquiagem refletem características culturais e demográficas, com adaptações para atender tons de pele locais:

• Japão e EUA: Tons mais luminosos e menos saturados para tons de pele mais claros.
• Nigéria e Índia: Tons mais saturados e escuros para tons de pele mais profundos.

Objetivo 4: Examinar padrões de cores quentes vs frias e impacto regional

Resultados dos Testes e Gráficos

1. Histogramas de cores quentes vs frias:

• Países tropicais (Nigéria e Índia) têm maior proporção de cores quentes (matizes mais altos).

• Países de clima temperado (Japão e EUA) preferem tons frios e neutros.

2. Gráficos de Boxplot e Densidade:

As distribuições de H e L reforçam esses padrões:

• Cores quentes: Associadas a tons saturados e escuros em regiões tropicais.

• Cores frias: Associadas a tons claros e neutros.

3. Impacto Regional:

Marcas locais e internacionais parecem adaptar suas linhas de maquiagem:

• Japão: Preferência por tons luminosos e frios.

• Nigéria e Índia: Linhas de maquiagem mais diversificadas, refletindo tons de pele locais.

Conclusão

As preferências de cores estão claramente influenciadas por fatores culturais e climáticos:

• Tons quentes e saturados em países tropicais.

• Tons frios e luminosos em regiões temperadas.

Validação das Hipóteses

Hipótese 1: Preferências correlacionadas a fatores culturais/demográficos

• Confirmada: Diferenças entre países estão alinhadas com tons de pele predominantes e padrões culturais.

Hipótese 2: Diferenças de saturação e brilho

• Confirmada: Saturação maior em Nigéria e Índia, enquanto brilho é maior no Japão e EUA.

Hipótese 3: Tons mais escuros na Índia e Nigéria

• Confirmada: L mais baixo reflete tons mais escuros nesses países.

Hipótese 4: Luminosidade maior no Japão e EUA

• Confirmada: L mais alto nesses países.

Hipótese 5: Saturação maior na Nigéria e Índia

• Confirmada: Gráficos e correlação mostram saturação mais alta.

7. Discussão

Os resultados da pesquisa mostram como fatores culturais, demográficos e climáticos influenciam as preferências de tonalidades de maquiagem em diferentes países. Nos Estados Unidos, Japão, Nigéria e Índia, as escolhas de cores variam conforme as características locais. Na Nigéria e Índia, onde as peles são mais escuras, há uma preferência por tonalidades saturadas e com subtons quentes, ligadas tanto ao tom de pele quanto à cultura vibrante de festividades. No Japão, as preferências são por tons suaves e neutros, alinhados ao ideal de beleza minimalista. Nos Estados Unidos, a diversidade cultural reflete uma oferta ampla, mas ainda há uma lacuna no atendimento a peles mais escuras, embora marcas como Fenty Beauty estejam fazendo avanços significativos.

Apesar de muitas marcas ampliarem suas paletas de cores, ainda existe uma grande desigualdade de opções para peles mais escuras, o que representa uma oportunidade de inovação e um mercado mais inclusivo. Além disso, o design de maquiagem precisa ser mais estratégico, adaptando-se às preferências regionais de matiz, saturação e luminosidade. Onde, países tropicais como Nigéria e Índia preferem tons vibrantes e luminosos, enquanto no Japão os tons neutros e sutis predominam.

Esses resultados destacam a importância de ajustar produtos e campanhas de marketing para se conectar culturalmente com os consumidores. Para ter sucesso globalmente, as marcas precisam equilibrar inovação, personalização e inclusão, respeitando as diferenças culturais e regionais para se destacar em um mercado diversificado.

8. Conclusão

A pesquisa oferece recomendações valiosas para a indústria de maquiagem, visando alinhar produtos e estratégias de marketing às preferências regionais. A primeira sugestão é diversificar as linhas de produtos, considerando as especificidades de cada mercado, como tons de pele e preferências locais. Por exemplo, lançar sublinhas regionais pode atender melhor consumidores na Nigéria e Índia, que preferem cores vibrantes.

Também é importante investir em marketing regionalizado, criando campanhas que celebrem a diversidade cultural e racial, gerando maior engajamento e lealdade à marca. A expansão das paletas de tonalidades é fundamental para garantir opções para todos os tons de pele, demonstrando compromisso com a inclusão e a justiça social.

A inovação no design de produtos, utilizando tecnologia e análise de dados, pode ajudar a personalizar ainda mais as ofertas e atender às necessidades locais. Ferramentas como mapeamento geográfico e análise demográfica podem otimizar o desenvolvimento de novos produtos. Por fim, a sustentabilidade e ética nas práticas empresariais são essenciais, pois atraem consumidores que valorizam a responsabilidade social e ambiental.

Essas recomendações visam adaptar a indústria de maquiagem às necessidades globais, equilibrando personalização, inclusão e inovação para garantir sucesso e representatividade no mercado mundial.

9. Referência Bibliográfica:

SHADES. Makeup Shades Dataset. Disponível em: https://www.kaggle.com/datasets/shivamb/makeup-shades-dataset. Acesso em: 10 jan. 2025.

DUTT-ROSS, S. Manual de Análise de Dados. Rio de Janeiro: [s.n.], 2020. Disponível em: https://livrometodosquantitativos.netlify.app/. Acesso em: 10 jan. 2025.

COMO FAZER UM BOXPLOT BÁSICO. Geo Krigagem. Disponível em: https://geokrigagem.com.br/geoestatistica-no-r-licao-12-ggplot2-boxplot-tutorial. Acesso em: 14 jan. 2025.

BASES PARA DIFERENTES TONS DE PELE: veja as novidades no mercado. Vogue. Disponível em: https://vogue.globo.com/beleza/skincare/noticia/2018/10/andamento-bases-para-diferentes-tons-de-pele-veja-novidades-no-mercado.ghtml. Acesso em: 14 jan. 2025.

COMO A FENTY BEAUTY, MARCA DA RIHANNA, REVOLUCIONOU A INDÚSTRIA DA BELEZA. Think with Google. Disponível em: https://www.thinkwithgoogle.com/intl/pt-br/futuro-do-marketing/gestao-e-cultura-organizacional/diversidade-e-inclusao/como-fenty-beauty-marca-da-rihanna-revolucionou-industria-da-beleza/#:~:text=Lan%C3%A7amos%20a%20Fenty%20Beauty%20com,clara%20at%C3%A9%20a%20mais%20escura. Acesso em: 14 jan. 2025.

DIVERSIDADE E INCLUSÃO ESTÃO NO RADAR DO MERCADO DE BELEZA. Sebrae. Disponível em: https://sebrae.com.br/sites/PortalSebrae/artigos/diversidade-e-inclusao-estao-no-radar-do-mercado-de-beleza,45a76a131b486810VgnVCM1000001b00320aRCRD. Acesso em: 14 jan. 2025.

DESENVOLVENDO A BELEZA INCLUSIVA: TENDÊNCIAS E INOVAÇÕES NA INDÚSTRIA COSMÉTICA. Talk Science. Disponível em: https://www.talkscience.com.br/industria-cosmetica/desenvolvendo-a-beleza-inclusiva-tendencias-e-inovacoes-na-industria-cosmetica. Acesso em: 23 jan. 2025.

CORRELAÇÃO E VISUALIZAÇÕES DE MATRIZES DE CORRELAÇÃO NO R. RPubs. Disponível em: https://rstudio-pubs-static.s3.amazonaws.com/437792_df39a5ff0a55491fb71f0f4a0f5cd0bf.html. Acesso em: 23 jan. 2025.

Fonte da base de dados https://www.kaggle.com/datasets/shivamb/makeup-shades-dataset/data