Avaliac Ao Dos Factores Que Determinam 'A Satisfac Ao Dos Clientes Do Millennium BIM Na Cidade de Maputo, Uma Abordagem Aos Modelos Multinomiais

UNIVERSIDADE EDUARDO MONDLANE
FACULDADE DE CI ÊNCIAS
DEPARTAMENTO DE MATEM ÁTICA E INFORM ÁTICA
Trabalho de Licenciatura em Estatı́stica
Avaliação dos factores que determinam à satisfação

dos clientes do Millennium BIM na Cidade de
Maputo, uma abordagem aos Modelos Multinomiais
Autor: Ernesto Júnior Nhar
Maputo,
Junho de 2017
UNIVERSIDADE EDUARDO MONDLANE
FACULDADE DE CI ÊNCIAS
DEPARTAMENTO DE MATEM ÁTICA E INFORM ÁTICA
Trabalho de Licenciatura em Estatı́stica
Avaliação dos factores que determinam à satisfação

dos clientes do Millennium BIM na Cidade de
Autor: Ernesto Júnior Nhar

Supervisor: dr. Adelino Juga
Maputo,
Junho de 2017
Avaliação dos factores que determinam à satisfação dos clientes do Millennium BIM na Cidade de
Declaração de honra
Eu, Ernesto Júnior Nhar, declaro por minha honra que este trabalho é da minha autoria e todo o
relatório é resultado da minha própria investigação baseiada nas literaturas apresentadas e discussões
com o supervisor. O trabalho não foi submetido para outro grau académico. Portanto o mesmo o
submeto para a obtenção do grau de Licenciatura.
Maputo,
Aos de Junho de 2017
(Ernesto Júnior Nhar)
Autor: Nhar, Ernesto Júnior i UEM-2017

Dedicatória
Dedico o presente trabalho

a minhã mãe Aida, meu pai Ernesto,
meus irmãos, em especial a Quina e Inocêncio,
aos Colegas e Docentes em especial dr. Adelino Juga.
Autor: Nhar, Ernesto Júnior ii UEM-2017

Agradecimentos
~ De todo o meu coração, minha alma e minha inspiração, endereço o meu agradecimento ao
altı́ssimo Deus que é o meu pastor em todos caminhos da vida e sucessos.
~ Aos meus pais, irmãos e familiares endereço o meu agradecimento pela força, confiança e toda
esperança, rezando e oferecendo ajuda de forma directa e indirecta.
~ A Universidade Eduardo Mondlane (UEM), agradeço imensamente pela Bolsa de Estudos que
ofereceu-me para progredir com os meus estudos.
~ A todos os docentes do Departamento de Matemática e Informática eu agradeço pelo carrinho

e motivações que ofereceram-me durante as aulas.
~ Ao dr. Juga, dr. Mulenga, dr. Mutombene e dra. Rafica endereço o meu agradecimento pelos
valiosos ensinamentos de como elaborar um trabalho de investigação.
~ Ao dr. Adelino Juga, endereço o meu agradecimento por aceitar o compromisso de supervisio-
nar o presente trabalho.
~ A Sra Aida João, Rosa Mabswai, Domingas Cristina e Marravilha agradeço pelo apoio nos es-
tudos.
~ Agradeço aos colegas da turma e da residência que sempre estiveram presente em todos os mo-
mentos, em destaque os colegas Rufai, Vetevene, Boma, Aldino, Mulemba, Isac e a Eulógia;
~ De forma muito especial e carinhosa, agradeço ao meu colega, não só, irmão e amigo, Adérito
Carlos Chongola por ter sido um dos próximos familiares em todos os momentos e pelo facto
de ser o colega de debates em todas do curso.
Autor: Nhar, Ernesto Júnior iii UEM-2017

Lista de abreviaturas
AIC Akaike Information Criteria
ATM Automatic Trasfer Machine
BCV Banco de Cabo Verde
BIC Critério de Informação Bayesiana
MCLB Multinomial Categórico de Linha de Base
ME Modelos Estereótipos
MOCA Modelo Ordinal de Categorias Adjacentes
MOCC Modelo Logı́stico de Chances Contı́nuas
MR Modelos de Regressão
MRL Modelos de Regressão Logı́stica
MV Máxima Verossimilhança
RC Razão de chance
RL Regressão Logı́stica
RLM Regressão Logı́stica
RLOE Regressao Logı́stica Ordinal Estereótipo
TRV Teste da Razão de Verossimilhança
UEM Universidade Eduardo Mondlane
iv
Lista de Tabelas
Tabela 3.1 Designações das variáveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Tabela 4.1 Estatı́sticas descritivas para a satisfação geral dos clientes . . . . . . . . . . . 34

Tabela 4.2 Estimativas de AIC para identificação do modelo que melhor se ajusta aos dados 35
Tabela 4.3 Estimativas do modelo Estereótipo . . . . . . . . . . . . . . . . . . . . . . . 35
Tabela 4.4 Matriz dos coeficientes do Modelo Estereótipo ajustado com os pesos φi . . . 36
Tabela 4.5 Matriz das estimativas de OR do Modelo Estereótipo ajustado com os pesos φi 37
Tabela 4.6 Estatı́stica χ2 para a avaliação de ajuste do Modelo . . . . . . . . . . . . . . . 37
Tabela A.1 Estratos dos estudantes dentro de cada Faculdade ou Escola . . . . . . . . . . 46

Tabela A.2 Estatı́sticas descritivas para as variáveis explicativas . . . . . . . . . . . . . . 47
Tabela A.3 Estatı́sticas descritivas para as 16 variáveis . . . . . . . . . . . . . . . . . . . 47
Tabela A.4 Descritivas de variável resposta . . . . . . . . . . . . . . . . . . . . . . . . . 47
Tabela A.5 Teste de comparação dos grupos de variáveis sócio-demográficos . . . . . . . 48
Tabela A.6 Estimativas do Modelo de Regressão Logı́stica Multinomial . . . . . . . . . . 48
Tabela A.7 Estimativas de OR do Modelo Logı́stico de Chances Proporcionais . . . . . . 49
Tabela A.8 Estimativas do Modelo de Regressão Logástica de Categorias Adjacentes . . . 49
Tabela A.9 Estimativas do Modelo de Regressão Logásticas de Razão Contı́nua . . . . . . 50
Tabela A.10Estimativas do modelo Estereótipo reduzido . . . . . . . . . . . . . . . . . . 50
Tabela A.11Modelo estereótipo com todas as variáveis . . . . . . . . . . . . . . . . . . . 51
v
Lista de Figuras
Figura 4.1 Rendimento médio mensal do estudante inquerido . . . . . . . . . . . . . . . 32

Figura 4.2 Distribuição de idades dos estudantes inqueridos . . . . . . . . . . . . . . . . 33
Figura 4.3 Tempo médio de estudantes a usar os serviços de Millennium BIM . . . . . . 33
vi
Resumo
Os bancos são instituições financeiras que podem ser privadas ou públicas que fornecem serviços
financeiros à sociedade. A taxa de solicitação desses serviços vem aumentando diariamente, como
consequência o número de operadoras bancarias também aumenta dia-a-dia, o que resulta na alta
competitividade dos serviços bancários na conquista dos clientes. Deste modo, os bancos tem um
desafio no qual esta centrada na busca de estratégias que resultarão na melhoria dos serviços e no au-
mento dos clientes. O presente trabalho pretende identificar os factores que determinam à satisfação
dos clientes aos serviços do Millennium BIM. Estimou-se 5 (cinco) modelos de Regressão Logı́stica
Multinomial, que são: Modelo Multinomial categórico de linha de base, Ordinal Estereótipo, Chan-
ces proporcionais, Razão Contı́nua e Categorias Adjacentes. O Modelo Estereotipo foi identificado
como sendo o modelo que melhor se ajusta aos dados contendo 10 variáveis significativas dentre as
quais 6 delas duplicavam a razão de chance de verificar-se mudanças na satisfação geral dos clientes,
trata-se de satisfação com a imagem do banco, interesse dos funcionários em resolver os problemas,
relacionamento com os clientes, qualidade e clareza de informação sobre produtos e serviços, número
de servidores nas caixa de tesoraria e a localização de terminais de auto-atendimentos. Todas as
variáveis mostraram uma associação positiva oque indica que a cada aumento unitário na satisfação
das variáveis explicativas verifica-se um aumento na satisfação geral com os serviços.
Palavras Chave: Bancos, clientes, serviços, Multinomial, Ordinal e satisfação.
Autor: Nhar, Ernesto Júnior vii UEM-2017

Índice
Declaração de honra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
Dedicatória . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
Agradecimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Lista de abreviaturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
Lista de Tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
Lista de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
1 Introdução 1
1.1 Contextualização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Definição do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Objectivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2 Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Relevância do estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Estrutura de trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Revisão de Literatura 4
2.1 Serviços . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Serviços bancários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Satisfação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4 Antecedentes da satisfação do cliente . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.1 Qualidade de Serviço . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.2 Prestação de Serviços . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.5 Processo da satisfação do cliente . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.6 Historial dos determinantes da satisfação de clientes . . . . . . . . . . . . . . . . . . 9
2.7 Historial de Millennium BIM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.7.1 Origem do Banco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.7.2 Situação actual do Banco . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.7.3 Visão, Missão e Estratégia . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.8 Regressão Logı́stica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.8.1 Modelos de Regressão Logı́stica binária . . . . . . . . . . . . . . . . . . . . 14

2.8.2 Suposições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.8.3 Estimação dos parâmetros . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.8.4 Diagnósticos do modelo de RL . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.9 Variáveis Multicategorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.10 Distribuição Multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.11 Modelos de RL para variáveis multicategoricas . . . . . . . . . . . . . . . . . . . . 20
2.11.1 Modelo Multinomial categorico de linha de base . . . . . . . . . . . . . . . 20
2.11.2 Modelos de Regressão Logı́stica Ordinal . . . . . . . . . . . . . . . . . . . . 22
3 Materiais e Métodos 26
3.1 População e amostra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1.1 Definição da populaço em estudo . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1.2 Determinação do tamanho da amostra . . . . . . . . . . . . . . . . . . . . . 26
3.2 Recolha de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 Definição da Variável Dependente . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 Modelos estatı́sticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.3 Qualidade de ajuste dos modelos de regressão logı́stica multinomial . . . . . 31
4 Análise e discussão dos resultados 32

4.1 Descrição dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1.1 Variáveis demográficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1.2 Variável de Resposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2 Modelos de Regressão logı́stica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.1 Selecção do melhor modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.2 Qualidade de ajuste do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3 Discunsão dos resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5 Conclusão e recomendações 40
5.1 Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.2 Recomendações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Referências Bibliográficas 42
Autor: Nhar, Ernesto Júnior i UEM-2017

Capı́tulo 1
Introdução
1.1 Contextualização
O sector financeiro é constituı́do por empresas com actividade económica muito diversificada dentre
os quais se destacam os serviços bancários (SEADE, 2011). Os bancos são instituições financeiras
que podem ser privadas ou públicas que fornecem serviços financeiros à sociedade (BCV, 2000). A
taxa de solicitação desses serviços vem aumentando diariamente e como consenquência, o número de
instituições bancárias também aumenta dia-a-dia o que resulta na alta competitividade das instituições
bancárias na conquista dos clientes. Portanto, os bancos tem um desafio no qual está centrado na
identificação das estratégias que resultarão no aumento dos clientes.
Segundo Hausknecht (1990), a qualidade geral dos serviços, o atendimento de expectativas e a

satisfação dos clientes são alguns motivos que levam com que os cliente sejam leais num serviço
bancário.
De acordo com Oliveira (2002), a satisfação de clientes têm se destacado como sendo o motivo
primordial que conduz a adesão de clientes num certo banco. Razão pela qual muitos bancos tem
direccionado suas expectativas no aumento de satisfação e conquistar a lealdade dos seus clientes,
melhorando a qualidade dos serviços (Levesque e Mcdougall, 1996).
Em princı́pio, era de se esperar que um cliente leal esteja satisfeito com os serviços prestados, mas
essa relação nem sempre se verifica, pois, nem todas as situações que tem se verificado nos bancos
são favoráveis em construir lealdade dos clientes (Reichheld et al, 1990).
Segundo Oliveira (2002), uma das conclusões constatada no seu estudo é que um cliente satisfeito
comenta com até três pessoas de suas relações sobre a excelência de serviços que lhe oferecem, pelo
contrário, se o cliente é insatisfeito, ele comenta negativamente com até nove conhecidos sobre os
1
maus serviços ou produtos oferecidos. Deste modo, percebe-se que um cliente insatisfeito pode pôr
em perigo a imagem da instituição e afectar o seu relacionamento.
Neste trabalho pretende-se aplicar as técnicas estatı́stica de modo a avaliar os factores que deter-
minam à satisfação dos clientes do Millennium BIM em relação aos serviços prestados.
1.2 Definição do problema

Segundo Mbim RC (2016), o Millennium bim é hoje um banco comercial universal, que oferece
produtos e serviços adequados a todos os segmentos. Actualmente, com uma rede de 169 balcões,
está presente em todas as provı́ncias do paı́s. Levando serviços financeiros a 58 distritos sendo esta a
maior e mais forte presença em zonas rurais, demonstrando um claro esforço para estar mais perto das
populações. Com o objectivo de elevar o acesso a serviços financeiros e oferecer maior comodidade
aos seus Clientes, o Millennium bim possui uma rede de 458 ATMs.
De acordo com Mbim R.C., (2016) um dos principais desafios do Millennium BIM é promover a
manutenção de elevados nı́veis de satisfação, fidelização e envolvimento com os clientes. Levando
em consideração a verdadeira fidelidade dos clientes apresentada por Hausknecht (1990), os clientes
tornam-se quando eles se encontram satisfeito com os serviços prestados. Portanto é indispensavel
avaliar tais factores que determinam a satisfação dos clientes, (Hausknecht, 1990).
De acordo com o desafio levado a cabo pelo Millennium BIM, é estabelecida a seguinte problema:
Quais são os factores que determinam à satisfação dos clientes aos serviços de Millennium BIM nas
agências da Cidade de Maputo?
1.3 Objectivos
1.3.1 Geral
Avaliar os factores que determinam à satisfação dos clientes do Millennium BIM na Cidade de Ma-
puto.
1.3.2 Especı́ficos
• Descrever o perfil demográfico e socio-económico dos clientes do Millennium BIM;
• Verificar se existe difrerenças nas variáveis demográficas e socio-económica em relação a

satisfação geral com os serviços prestados pelo Millennium BIM.
Autor: Nhar, Ernesto Júnior 2 UEM-2017

• Identificar o melhor modelo que descreve a relação entre as variáveis explicativas e a satisfação
geral dos clientes;
• Identificar os factores que influenciam na satisfação dos clientes aos serviços do Millennium
BIM.
1.4 Relevância do estudo

Levando em consideração o tempo de operação que a instituição Millennium BIM vem prestando
serviços em Moçambique, este estudo será relevante para os principais orgãos de planificação e to-
mada de decisão do Millennium BIM uma vez que fornecerá os possı́veis factores que estão associado
à satisfação dos clientes, isto é, os gerentes da instituição bancária poderão baseiar-se nos resultados
dessa investigação para descobrir o que pode-se melhorar de modo a proporcionar a satisfação dos
clientes.
1.5 Estrutura de trabalho

O presente trabalho está estruturado do seguinte modo: o capı́tulo 1 fornece a contextualização,
definição do problema, os objectivos e a relevância do estudo; o capı́tulo 2 contém a revisão de litera-
tura; o capı́tulo 3 descreve a metodologia usada enquanto que o capı́tulo 4 apresenta as análises bem
como as discussões dos resultados e o capı́tulo 5 ilustra as principais conclusão e as recomendações.

Capı́tulo 2
Revisão de Literatura
2.1 Serviços
Segundo Mckenna (1999), serviços são processos de criação de ambiente de informação, garantia e
conforto ao consumidor. Por outro lado, Nickels e Wood (1999) enfatizam que empresas prestadoras
de serviços precisam construir uma reputação através do bom serviço; este que por sua vez pode trazer
mais clientes e lucros mais altos, em parte porque as pessoas estão mais dispostas a pagar mais para
serem bem tratadas.
2.2 Serviços bancários

Os bancos são instituições que oferecem serviços financeiros, fazendo a intermediação entre os que
poupam e os que investem (BCV, 2007). Tradicionalmente, os serviços bancários caracterizam-se
pela captação de depósitos, a concessão de créditos e a realização de outras operações de carácter
comercial ou financeiro, bem como pela prestação de serviços no âmbito das suas atribuições (BCV,
2007). Os seus lucros provêm das operações que realizam e consistem essencialmente na diferença
entre o valor pago aos depositantes e o valor cobrado aos beneficiários do crédito.
Alguns bancos oferecem serviços financeiros auxiliares, nomeadamente, venda de produtos de se-
guro, produtos de investimento ou serviços de mediação financeira. Apesar do tipo de serviço ofere-
cido pelos bancos variar de paı́s para paı́s, podem-se destacar os seguintes serviços (BCV, 2007):
• Depósitos: contas correntes ou de poupança abertas pelos agentes económicos e público em

geral;
• Operações diversas: aceitação de cheques, transferências entre contas correntes e pagamentos;
• Empréstimos;
4
• Aluguer de cofres para guarda de valores;
• Operações de câmbio: compra e venda de moeda estrangeira;
• Emissão de cartões de crédito e de débito.
Tipos de Bancos
Os bancos são classificados de acordo com os produtos que oferecem e com seu público-alvo. Os
principais tipos de bancos são (CMN, 1994): Bancos comerciais, bancos de investimento, bancos de
desenvolvimento e bancos universais.
Banco Comercial
Segundo CMN (1994), Banco Comerciail é instituição financeira que bjectiva proporcionar o su-
primento oportuno e adequado dos recursos necessários para financiar, a curto e médio prazos, o
comércio, a indústria, as empresas prestadoras de serviços, as pessoas fı́sicas e terceiros em geral.
Banco de Investimento
Os bancos de investimento são instituições financeiras privadas especializadas em operações de participação

societária de carácter temporário. Devem ser constituı́dos sob a forma de sociedade anónima e adop-
tar, obrigatoriamente, em sua denominação social, a expressão “Banco de Investimento”. Não pos-
suem contas correntes e captam recursos via depósitos a prazo, repasses de recursos externos, internos
e venda de cotas de fundos de investimento por eles administrados (CMN, 1994).
Bancos de Desenvolvimento
Os bancos de desenvolvimento são instituições financeiras controladas pelos governos estaduais e têm
como objectivo precı́puo proporcionar o suprimento oportuno e adequado dos recursos necessários ao
financiamento, a médio e a longo prazos, de programas e projectos que visem a promover o desen-
volvimento económico e social do respectivo Estado. As operações passivas são depósitos a prazo,
empréstimos externos e de Desenvolvimento Econômico. As operações activas são empréstimos e
financiamentos, dirigidos prioritariamente ao sector privado. (BCV, 2007).
Bancos Universais
Os bancos universais são os que são menos especializados do que os anteriores, oferecendo uma vasta
gama de serviços bancários, desde captação de depósitos, operações comerciais a retalho, créditos de
curto, médio ou longo prazo, até prestação de serviços diversos, tais como liquidação de cheques,
transferências bancárias (BCV, 2007).

2.3 Satisfação
De acordo com Oliveira (2002), a satisfação corresponde ao grau em que o consumidor se sente re-
alizado ao julgar quão bem as caracterı́sticas de uma oferta (bem ou serviço) proporcionaram prazer
pelo seu consumo ou utilização.
Segundo Juran (1997), a satisfação é definido como sendo resultado da compreensão e tradução das
necessidades dos clientes em caracterı́sticas de produtos. É o resultado alcançado quando as carac-
terı́sticas dos produtos correspondem às necessidades dos clientes.
A satisfação é a condição mı́nima indispensável para elogiar ou recomendar o prestador do serviço a

outrem (Kotler, 1998).
Segundo Alves (2003), conhecer a satisfação dos consumidores é extremamente útil porque, permite
verificar a eficácia da ação da empresa, orienta os esforços de melhoria e manifesta ao consumidor
a vontade de o satisfazer. O mesmo autor evidencia que as empresas que se focam na satisfação do
consumidor estão mais propensas a fazer investimentos a longo prazo.
Segundo Hansemark e Albinsson (2004), satisfação e retenção de clientes estão diretamente rela-
cionadas a lucro e rentabilidade dos investimentos. Clientes satisfeitos e fiéis tendem a comprar
mais, aumentar o nı́vel de relacionamento com a empresa, pagar mais caro pelos produtos e fazer
comentários positivos.
Segundo Chauvel (1999) existe três importantes teorias a respeito da satisfação: a Teoria Económica,
a Teoria Behaviorista e a Teoria Cognitivista.
Nas abordagens de Chauvel (1999), A Teoria Económica pressupõe que toda compra envolve uma
escolha, ecfetuada em função da busca de maximização de sua utilidade. Essa busca é o princı́pio que
orienta as escolhas. De acordo com essa teoria, a satisfação resulta de um processo essencialmente
racional: quando a utilidade é maximizada, a satisfação também é maximizada.
De acordo com a teoria Behaviorista, a satisfação é, então, restrita ao reforço, ou seja, à recom-
pensa obtida em decorrência de determinada transação. A obtenção desse reforço levará à repetição
do comportamento.
Segundo Oliveira (2009), a Teoria Cognitivista admite que a satisfação é vista como o resultado
da comparação entre aspectos internos e pré-existentes com os elementos resultantes da transação.
A satisfação é geralmente atribuı́da ao próprio consumidor, enquanto que a insatisfação é incorrida

como responsabilidade de agentes externos. Essa teoria, entretanto, não tem sido alvo de atenção de
estudos recentes (Oliveira, 2009).
De acordo com Yi (1990), em revisão crı́tica a respeito da satisfação do consumidor, aborda duas
concepções: a satisfação como um resultado da experiência de consumo e a satisfação como um pro-
cesso. Para ele, as definições de satisfação como sendo um resultado enfocam o estado psicológico
que decorre da experiência de consumo, enquanto que as definições que abordam o conceito como
um processo concentram-se em questões perceptuais, avaliativas e em processos psicológicos que se
combinam para a geração da satisfação do consumidor.
Para Kloter (1998), a diferenciação através de pessoas como forma das empresas obterem grande
vantagem competitiva seria a contratação e treinamento de pessoas mais bem qualificadas do que
seus concorentes.
Segundo Kloter (1998), pessoas bem treinadas exibem no mı́nimo 5 caractesristicas:
• Compentencia: Os funcionários possuem habilidades, experiências e os conhecimentos exigi-

dos;
• Cortesia: A maneira como o cliente é abordado e tratado durante toda a experiência de aquisição
do serviço é um factor importante na percepção de qualidade dele. Neste caso, os funcionários
demostram o carinho o respeito, a gentileza, o crédito, a honestidade e o envolvimento concreto
com os interesse do cliente;
• Credibilidade: Trata-se da total confiança com os funcionários;
• Confiabilidade: Desempenham o serviço com consistência e cuidado;
• Responsabilidade: Os funcionários respondem facilimente as solicitações e aos problemas dos

consumidores;
Miguel (2002) identifica a qualidade no atendimento como o elemento com maior capacidade de
aumentar a satisfação, seguido de localização, modernidade e credibilidade. Por outro lado, como
limitantes da mesma, o tempo de espera, os custos, a qualidade no atendimento, a falta de informação
e os custos dos produtos ou serviços.
Sureshchandar et al. (2002) identificam a correlação significativa entre qualidade e satisfação. Afir-
mam que a qualidade no atendimento tem maior influência na satisfação, seguida de sistemas, de
tangı́veis, de elementos essenciais e de responsabilidade social.

Segundo Rodrigues (1997), a satisfação dos clientes e qualidade dos serviços tem gerado discussões
no que concerne com o sentido da relação de causalidade. De acordo com as análises feitas por Bitner
et. al (1990), verifica-se que a satisfação dos serviços representa um antecedente da qualidade dos
serviços. O que contradiz com os resultados de Churchill e Surprenant (1982), que acreditam que a
direcção de causalidade é inversa, mostrando que a qualidade de serviços é que antecede a satisfação
dos consumidores.
2.4 Antecedentes da satisfação do cliente

De acordo com Fornell et al. (1996) destaca-se que a satisfação de clientes possui vários antecedentes
e sendo os mais frequentes na literatura, a qualidade de serviço e a prestação de serviço.
2.4.1 Qualidade de Serviço

Segundo Kloter (1998), em qualquer serviço quatro caracterı́sticas são levadas em consideração para
descrever as qualidades dos serviços prestados, neste caso trata-se de:
1. Intagibilidade: Caracterı́stica pelo qual defende que o consumidor precisa ter confiança em
quem proporciona os serviços, neste caso, os produtos antes da sua aquisição são intangiveis;
2. Inseparabilidade: Um serviço não pode ser encotrado em partes separadas ou em partes dife-
rentes;
3. Variabilidade: Os serviços estão expostos a variar a qualquer instante dependendo da existência

de um comprador independente da sua localização;
4. Perecibilidade: uma das caracteristicas dos serviços é de perecer, neste caso esses não são
armazenados num local fixo.
2.4.2 Prestação de Serviços

Segundo Cobra (1992) o serviço como factor diferenciador de marketing reveste-se de grande im-
portância, porque não basta ter um bom produto, mas é também necessário oferecer aos clientes
serviços de qualidade.
À medida que a prestação de serviços se torna homogénea, os consumidores estarão mais preocu-
pados com o preço do que com o fornecedor (Kotler, 1998). Deste modo, os consumidores perderão
o interesse pelo fornecedor.

Quando o consumidor percebe a performance da empresa ou do fornecedor como justa e satisfatória,

seus sentimentos de confiança tendem a ser reforçados (Santos e Fernandes, 2005).
2.5 Processo da satisfação do cliente

Segundo Kotler (1998), o processo da satisfação do cliente descreve que muitas empresas dispõem-se
à alta satisfação, porque os clientes que estiverem apenas satisfeitos estão dispostos a mudar de for-
necedor quando surgir uma melhor oferta. Os que estão altamente satisfeitos são menos capazes de
mudar.
Segundo Berry e Parasuraman, (1991) salientam que os verdadeiros clientes são aqueles que estão
plenamente satisfeitos com seu fornecedor e percebem que estão recebendo valor. Esses clientes,
provavelmente comprarão outros serviços da empresa e dificilmente a trocarão por um concorrente,
gastando mais anualmente e tendo um ciclo de relações mais duradouro. Além disso, espalham
informações favoráveis e dispõem-se inclusive a pagar um preço mais elevado, em função das vanta-
gens e benefı́cios que recebem.
2.6 Historial dos determinantes da satisfação de clientes
Atendimento
Moutinho e Smith (2000) apontam relação directa entre a facilidade e agilidade de execução das
transações, os relacionamentos interpessoais e o atendimento automático com a satisfação de clientes
de bancos. Afirmam que os clientes procuram serviços ágeis e fáceis de executar. E que as estratégias
dos bancos devem procurar, através do desenvolvimento tecnológico e humano, aprimorar constante-
mente os seus serviços.
Segundo Gerson (2001), 68% de clientes que param de fazer negócios com uma empresa, fazem-
no porque estão insatisfeitos com o tratamento recebido.
Segundo Beerli et al (2004), destacam-se como sendo determinantes da satisfação de clientes o aten-
dimento e suas caracterı́sticas (compromisso, atenção, amizade, cuidado, cortesia, agilidade, com-
petência, informação, empatia, confiança e pontualidade).
Produtos
Segundo Chieira (2013), os componentes dos produtos como taxas cobradas, rendimento recebido e
inovações influenciam a satisfação dos clientes.

De acordo com Balbim Júnior e Bornia (2011), é possı́vel identificar-se o nı́vel de satisfação através
da perceção dos clientes sobre os produtos.
Nas conclusões de Balbim Júnior e Bornia (2011), a qualidade dos produtos e serviços prestados
foi destacado como sendo um dos principais factores que influenciam na satisfação dos clientes num
serviço bancário.
Segundo Balbim Jr. e Bolnia (2011), o foco das empresas, quando desenvolvem um novo produto
ou copiam uma iniciativa de sucesso da concorrência, é elevar o nı́vel de qualidade da sua oferta,
tornando-a mais adequada à procura dos clientes, satisfazendo-os e tornando-os mais fiéis à sua marca.
Segundo eles, a avaliação dos produtos é feita através de sete itens relacionados: rentabilidade, cus-
tos dos produtos, disponibilidade de crédito e adequação dos produtos às necessidades dos clientes.
Assim, o portefólio de produtos é avaliado pela diversidade.
Segundo Zacharias at al. (2008), a satisfação com os produtos e serviços oferecidos e com as
máquinas automáticas revelam também um impacto significativo na satisfação.
Promoções e canais de comunicação
Segundo Mattiello A. (2001), os canais de comunicação são fundamentais e imprescindı́veis para a

preservação, manutenção e conquista de novos clientes.
Para Horovitz (1993) em média são feitos dez contactos para reclamar e apenas um para elogiar.
Cita que só 4% dos clientes descontentes reclamam. De 55% a 70% dos insatisfeito procurarão nova-
mente o serviço, se receberem uma resposta rápida. A taxa passa a 95%, caso se repondam rápida e
bem.
Reclamações
Segundo Duffy et al. (2006), a ocorrência de problemas e capacidade do banco em recuperar o
serviço tem um impacto importante na satisfação do cliente e na sua intenção na mudança do banco
em frequência. Smith e Bolton, (1998) salientam que o facto dum estabelecimento bancário receber
certas reclamações é uma oportunidade para que a mesma concerte os mesmos, e solucionamentos
destes problemas promovem maior satisfação aos seus clientes e além de recuperar, ganha mais cli-
entes.

Na sua proposta, Zacharias at al. (2008) mostram que a satisfação com a forma com que o Banco
resolve os problemas é o factor mais importante na determinação da satisfação global do cliente. Este
aspecto está associado à dimensões de relacionamento, demonstrando que a capacidade de gerir as
interações entre o cliente e a empresa e as reclamações dos clientes, se torna cada vez mais importante
no atual ambiente competitivo dos bancos.
Keaveney (1995) constata que as falhas e as recuperações de serviço são uma das principais causas
do comportamento de mudança dos clientes para outras empresas.
De acordo com Etzel e Silverman (1981) sugerem que os clientes que não reclamam podem estar
tão insatisfeitos como os que efetivamente reclamam. Podem inclusive prejudicar a empresa ao trans-
mitirem a sua insatisfação a outros potenciais clientes.
Gronroos (2000) diz que a recuperação do serviço refere-se às respostas e actividades realizadas
pelos prestadores de serviços para lidar com as falhas de serviço e as reclamações dos clientes. A boa
recuperação pode transformar os clientes frustrados em clientes leais (Etzel e Silverman, 1981).
Hart et al. (1990) defendem que a recuperação do serviço é fundamental para a excelência do serviço
e deve portanto, ser considerada como parte integrante da estratégia de uma empresa prestadora de
serviços. Recuperar a satisfação do cliente, aumentando a lealdade à marca e evitando o word-of-
mouth negativo são alguns dos objectivos de um processo de recuperação de serviço de sucesso.
Se por um lado, uma fraca recuperação pode resultar na ampliação da avaliação negativa (Bitner
et. al, 1990). Por outro, uma excelente recuperação pode aumentar a satisfação e fidelização dos
clientes (Smith e Bolton, 1998).
Imagem Corporativa
Segundo Kotler (1998), a imagem corporativa é descrita como a impressão geral de uma empresa
na mente dos consumidores. Segundo Chieira (2013) a imagem corporativa está relacionada com os
vários atributos fı́sicos e comportamentais da empresa tais como o nome da empresa, a arquitetura, a
variedade de produtos e serviços, a tradição, a ideologia, e a qualidade comunicada. Deste modo, a
imagem corporativa tem duas componentes a funcional e a emocional (Kennedy, 1977).
Segundo Ferrand e Vecchiatini (2002), uma imagem é considerada uma construção mental associada
à marca. De acordo com Marion (1989), imagem corporativa é um conjunto de ideias, sentimentos,
sensações, reações emocionais e atitudes que estão associadas à marca.

Gronroos (2000) argumentou que a imagem corporativa é de extrema importância para as empre-
sas de serviços e em grande medida é determinada pela avaliação dos serviços por parte dos clientes.
A imagem corporativa é o resultado de um processo sensorial que surge de ideias, sentimentos e ex-
periências anteriores com uma empresa que são recuperadas da memória e transformados em imagens
mentais (Yuille e Catchpole, 1977).
De acordo com Gray e Balmer (1998), um dos grandes objectivos do conceito de imagem corpo-
rativa é criar a imagem da empresa na mente dos principais consumidores. Geralmente, isso implica
a criação de um nome reconhecido de uma forma geral, aliada à identificação imediata da área de
negócios e principais produtos da empresa.
Acesso
Segundo Levesque e Mcdougall (1996), a acessibilidade e a conveniência permitem aos clientes fa-
zerem negócios com os bancos de um modo mais fácil.
Kaufmann e Marchetti (2008) realizaram um estudo para verificar o efeito da utilização dos diver-
sos canais de atendimento bancário na satisfação e constataram que a utilização de determinados
canais está associada ao grau de satisfação do cliente com o Banco. O estudo identificou a existência
de três perfis tı́picos de usuários segundo preferência pelos canais de atendimento bancário: os fre-
quentadores de agência, os utilizadores de caixas automáticas e os utilizadores do home-banking.
A satisfação com o acesso centra-se nas condições que a empresa oferece aos seus clientes, Bal-
bim Jr. e Bornia (2011). Com efeito, os mesmos autores defendem que a segurança é um factor
muito importante nos acessos dos clientes, por meio de três vias: segurança no acesso às agências,
nos terminais automáticos (ATM) e na internet (home-banking).
2.7 Historial de Millennium BIM
2.7.1 Origem do Banco

Segundo Mbim R.S. (2014), o Banco Internacional de Moçambique (Millennium BIM) foi fundada
em 30 de Novembro de 1995 pelo seu principal accionista Banco Comercial Português (conhecido
no mercado como Millennium BCP), juntamente com algumas agências estatais moçambicanas. Em
Novembro de 2001, o Millennium BIM fundiu-se com o Banco Comercial de Moçambique, tornando
o banco mesclado o maior banco do paı́s.

No ano 2006, The Banker revista nomeou o banco Millennium BIM como o melhor banco moçambicano
do ano. Em 2008 e novamente em 2010, a revista Africano Banker nomeou-o um dos sete melhores
bancos locais na África.
2.7.2 Situação actual do Banco

Segundo Mbim RC (2016), o Millennium bim é hoje um banco comercial universal, que oferece
produtos e serviços adequados a todos os segmentos. Actualmente, com uma rede de 169 balcões,
esta presente em todas as provı́ncias do paı́s. Levando serviços financeiros a 58 distritos sendo esta
a maior e mais forte presença em zonas rurais, demonstrando um claro esforço para estar mais perto
das populações. Com o objectivo de elevar o acesso a serviços financeiros e oferecer maior comodi-
dade aos seus Clientes, o Millennium bim possui uma rede de 458 ATMs e 7.268 POS, tendo ainda
investido numa plataforma de mobile banking inovadora e de fácil utilização: o Millennium IZI.
2.7.3 Visão, Missão e Estratégia

De acordo com Mbim RC (2016), os objectivos fundamentais do Millennium BIM resumem-se nos
seguintes aspectos:
Visão: O Millennium bim é um Banco universal, que aposta na criação de valor a todos os segmentos
de mercado, procurando ter uma presença assente na excelência, qualidade e inovação na distribuição
de produtos e serviços financeiros. Procura ser um Banco de referência no serviço ao cliente e tem
como um dos seus principais objectivos atingir um nı́vel de eficiência superior, (Mbim RC, 2016).
Missão: Contribuir para a modernização e desenvolvimento do sistema financeiro e da economia

moçambicana, mediante a comercialização de produtos e serviços financeiros inovadores e perso-
nalizados, concebidos para satisfazer a globalidade das necessidades e expectativas financeiras dos
diferentes segmentos de mercado, com padrões de qualidade e de especialização superiores, (Mbim
RC, 2016).
Estratégia: Contribuição empenhada para o relançamento da bancarização da economia moçambicana;

Manutenção de elevados nı́veis de satisfação, fidelização e envolvimento com os clientes; Expansão
da base de Clientes e dos patrimónios sob gestão nas áreas de negócio tradicionais; Promoção de
novas iniciativas em áreas com elevado potencial de crescimento; Consolidação da liderança tec-
nológica sectorial e regional; Melhoria sustentada dos nı́veis de rendibilidade e de solidez financeira;
Valorização, motivação e compensação dos Colaboradores; Maximização de valor para os Accionis-
tas, (Mbim RC, 2016).

2.8 Regressão Logı́stica

Segundo Hill (2005), a Regressão Logı́stica é uma técnica de estatı́stica multivariada usado quando
se deseja explicar uma variável resposta categórica em função de variáveis explicativas quantitativas
ou qualitativas. A Regressão Logı́stica consiste em perceber oque diferencia dois grupos de casos, ou
seja, oque diferencia dois nı́veis de uma variável dependente categórica com base num conjunto de
variáveis independentes.
A variável dependente é padronizado por dois valores conhecidos que são 0 e 1. Deste modo nota-
se que a variável dependente segue uma distribuição de Bernoulli com p probabilidade de sucesso e
1 − p probabilidade de insucesso de ocorrência de eventos nas categorias 0 e 1 repectivamente. Da
definição de esperança matemática.
n
X
E(X) = Xi ∗ P (X = xi ) (2.1)
i=1
O valor esperado da variável dependente é dado por: E(Y ) = 1 ∗ π + 0 ∗ (1 − π) = π, e essa média

coincide com a média condicional de X nos modelos de regressão linear simples. Consequentemente
o pressuposto de normalidade do termo de erro não se cumpre já que, verifica-se somente dois valores
no termo de erro, e a variância não é constante. A estimação dos modelos de regressão é baseada em
funções auxiliáres que com mais destaque encontram-se as funções logit, probit e log-log, (Hosmer e
Lemeshow, 2000).
2.8.1 Modelos de Regressão Logı́stica binária

Segundo Hosmer e Lemeshow (2000), os modelos de regressão logı́stica com uma variável explicativa
possuem as seguimtes relações:
π
Logit(π) = ln( ) = β0 + β1 ∗ X (2.2)
1−π
Onde β0 e β1 representam o intercepto e coeficiente angular do modelo. A função Logı́stica é dado

por equação 2.3:
exp(β0 + β1 ∗ X)
Pr(Y = k|X) = (2.3)
1 + exp(β0 + β1 ∗ X)

Nos Modelos de Regressão (MR) a variação de uma unidade na variável independente é dado por
X = X0 + 1 e tem-se β0 + β1 ∗ (X0 + 1).
π0
Seja Logit(π0 ) = ln( ), com incremento de uma unidade na variável X tem-se um novo
1 − π0
π1
logit: Logit(π1 ) = ln( ) e a variação verificada pode ser expressada por equação 2.4.
1 − π1
π1 #
"
π1 π0 1 − π1
Logit(π1 ) − Logit(π0 ) = ln( ) − ln( ) = ln π0 = β1 (2.4)
1 − π1 1 − π0
1 − π0
E como consequência, o rácio descrito na equação (2.5) é designado razão de chance .
π1
1−π
Razão de Chance (RC) = π0 1 = exp(β1 ) (2.5)
1 − π0
Os Modelos de Regresão Logı́stica (MRL) podem ser estabelecidos de acordo com o tipo de variável
independente. Quando a variável independente é única sendo esta categóricas ou contı́nuas então pode
se estabelecer um modelo de regressão logı́stica simples, mas se o modelo contém várias variáveis
categóricas ou contı́nuas o modelo passa ser múltiplo e a função logit é expressada pela equação 2.6.
πi
g1 (x) = Logit(πi ) = ln( ) = β0 + β1 ∗ X1 + β2 ∗ X2 + . . . + βp ∗ Xp (2.6)
1 − πi
E o correspondente modelo de regressão logı́stica múltipla é dada pela expressão 2.7.
eg1 (X) eβ0 +β1 ∗X1 +β2 ∗X2 +...+βp ∗Xp

Pr(Y = k|X) = = (2.7)
1 + eg1 (X) 1 + eβ0 +β1 ∗X1 +β2 ∗X2 +...+βp ∗Xp
Segundo Hosmer e Lemeshow (2000), quando uma ou mais variáveis categóricas possuem mais de
duas categorias (k > 2) a variável gera k − 1 novas variáveis onde uma é considerada base (variável
de referência). O modelo 2.6 origina uma nova equação dada na fórmula 2.8.
k−1
πi X
g2 (X) = Logit(πi ) = ln( ) = β0 + βj1 ∗ Xj1 + β2 ∗ X2 + . . . + βp ∗ Xp (2.8)
1 − πi j=1

k−1
X
β0 + βj1 ∗ Xj1 + β2 ∗ X2 + . . . + βp ∗ Xp
g2 (X) j=1
e e
Pr(Y = k|X) = = (2.9)
1 + eg2 (X) k−1
X
β0 + βj1 ∗ Xj1 + β2 ∗ X2 + . . . + βp ∗ Xp
j=1
1+e
2.8.2 Suposições
Segundo Latorre (2013) os modelos de regressão logı́stica são caracterizados pelas seguintes suposições:
1. A variável dependente Y deve ser dicotómica (0,1);
2. A variável dependente deve possuir valores não relacionados;
3. E(y) = π(x) ⇒ E(x) = π(x) + onde: = Erro, com as propriedades apresentadas em 2.11 e
2.11.
(
1 − π se Ê = 1, Com probabilidadeπ(x)
∼ Binomial, pelo facto de: = (2.10)
−π se Ê = 0, Com probabilidade1 − π(x)
(
=0
∴ (2.11)
S2 = π(x)[1 − π(x)]
2.8.3 Estimação dos parâmetros

O método de estimação parâmetros βi mais usado na Regressão Logı́stica (RL) é máxima verosimilhança
por fornecer estimativas que maximizam a probabilidade de se obter o conjunto de dados existente
(Latorre, 2013).
A função de verosimilhança é definida pelo produto da função binomial 2.12, (Hosmer e Lemeshow,
2000):
f (Y i) = π Yi (1 − π)1−Yi (2.12)

n
Y
L(βi ) = f (Y i) (2.13)
i=1
que torna-se mais simples resolver após logaritmizar.
n
X
ln[L(βi )] = [Yi ln π + (1 − Yi )ln(1 − π)] (2.14)
i=1
Segundo Latorre (2013), para encontrar os valores dos βi que maximizam a função 2.14 deve-se
derivar L(βi ) em relação a cada um dos βi e igualar a zero 2.15. Como estas equações não são
lineares, são necessários métodos interativos e sua solução dificilmente determina-se manualmente.
Porém os softwares determinam as soluções.
n
 X
[Yi − π] = 0




i=1
O sistema de equação que estima os coeficientes βi é: n
X (2.15)



 xi [Yi − π] = 0
i=1
2.8.4 Diagnósticos do modelo de RL

Segundo Hosmer e Lemeshow (2000), nos modelos de regressão logı́stica importa verificar a signi-
ficância individual dos parâmetros e a qualidade do ajuste do modelo. Para tal são usados 4 principais
testes: testes de Hosmer e Lemeshow e o testes de deviance ou rácio de verosimilhanças para o ajuste
do modelo e os teste de Wald e Score para a significância individual dos parâmetros.
Teste de Hosmer e Lemeshow

De acordo com Agresti (2007) num agrupamento de J células de cruzamentos qualitativos, Hosmer
e Lemeshow desevolveram uma estatı́stica que avalia o ajuste do modelo comparando as frequências
observadas e esperadas. O teste associa os dados às respectivas probabilidades estimadas da mais
baixa a mais alta, e então faz um teste qui-quadrado para determinar se as frequências previstas estão
próximas das frequências observadas usando a estatı́stica apresentada na equação 2.16.
J h J
X y − nj π̂j i X (Oj − Ej )2
χ2p = p j = (2.16)
j=1
nj π̂j (1 − π̂j ) j=1
Ej

Onde: yi é o número de sucessos na célula j, π é a probabilidade estimada da célula j e nj é o número

de elementos da célula j. Que também pode ser lida por sucessos observados Oj e sucessos esperados
Ej
Teste da Razão de Verosimilhança

Na regressão linear o interesse está no valor da SQR onde, um valor alto da SQR sugere que as
variáveis independentes são importante, caso contrário, algumas variáveis independentes não são
úteis na previsão da variável resposta.
Na regressão logı́stica a ideia é a mesma: comparar os valores observados da variável resposta com os
valores preditos obtidos dos modelos com e sem a variável em análise. A comparação dos observados
com os valores preditos é baseado no logarı́tmo da verosimilhança.
A comparação dos valores observados com os valores previstos usando a função de verosimilhança é
dada por equação 2.17:
J
( )
X yj h y −n i
j j
D= yj ln − (1 − yj ) ln (2.17)
j=1
nj π̂j nj π̂j (1 − π̂j )
Que esta pode ser reescrita na fórmula 2.18

hL i
C
D = −2 ln (2.18)
LS
Onde:D = Deviance é a estatı́stica dos desvios de virosimilhança

LC é a verosimilhança do modelo ajustado e LS verosimilhança do modelo saturado.
Teste de Wald
Segundo Agresti (2007), a estatı́stica de Wald avalia a seguintes hipóteses:
(
H0 : βi = 0
(2.19)
H1 : βi 6= 0
O teste de Wald é equivalente ao teste de z normal mas este é elevado ao quadrado com aproximação
assimptótica a distribuição qui-quadrado com um (1) grau de liberdade. Tal como mostra a equação

2.20. " #2
β̂ij
W = ∼ χ21 (2.20)
EP (β̂ij )
Hauck e Donner (1977) examinaram o desempenho do teste de Wald e descobriram que não é muito
eficiente em determinadas situações, frequentemente não rejeitando a hipótese nula quando o coefici-
ente é significativo. Eles recomendam a utilização do TRV para testar se realmente o coeficiente não
é significativo quando o teste de Wald não rejeita a hipótese.
Teste Score
A estatı́stica do teste para o Teste Score é apresentada em 2.21:
n
X
xi (yi − ȳ)
i=1
ST = h n i1/2 (2.21)
X
2
ȳ(1 − ȳ) xi (xi − x̄)
i=1
em que ȳ = π̂ (proporção de sucessos na amostra).
O Teste Score também objectiva testar as hipóteses dada em 2.19.
O p-valor é definido como P (|Z| > ST ) , sendo que Z denota a variável aleatória da distribuição
normal padrão, Fereirra (2012).
2.9 Variáveis Multicategorias

Segundo Fatoretto (2011), as variáveis multicategóricas, podem ser classificadas em três escalas de
mensuração:
1. Escala Nominal: As categorias não possuem uma ordem natural. Exemplos: marcas de carros,
tipo de droga, nomes de partidos;
2. Escala Ordinal: As categorias não podem ser alteradas por seguirem uma ordem natural, não
existindo distância ou espaçamento entre pares de categorias de respostas. Exemplos: nı́vel de
satisfação, qualidades de produtos, posições duma competição;
3. Escala Intervalar: Escores são adicionados a cada uma das categorias, que geralmente são cons-
tituı́das por classes numéricas, em que existe uma distância numérica entre os nı́veis. Exemplos:
renda, faixa etária, escala de temperatura.

2.10 Distribuição Multinomial

Segundo Fatoretto (2011), a distribuição multinomial, é uma generalização da distribuição binomial
para variável politômica. Seja o vector de respostas denotado por Y, em que Y = (y1 , y2 , . . . , yj ) ,
com J categorias de resposta (j = 1, 2, . . . , J), em uma amostra aleatória de tamanho n, então:
J
y n! Y yj
Pr(Y1 = y1 , Y2 = y2 , . . . , YJ = yJ ; n, yj ) = Cny π1y1 .π2y2 . . . πj j = J π (2.22)
Y j=1 j
yj
j=1
J
X
onde π = (π1 , π2 , . . . , πJ ) são as probabilidades associadas as categorias tais que πj = 1
j=1
2.11 Modelos de RL para variáveis multicategoricas

Na análise de regressão com dados categóricos, os modelos podem ser extendidos para uma variável
de resposta com mais de duas categorias.
De acordo com Agresti (2007), modelos logit com multicategorias usa os pares de categorias para
especificar a chance de a saida recair sobre uma categoria em relação a outra categoria de referência.
2.11.1 Modelo Multinomial categorico de linha de base

Segundo Figueira (2006), seja dado um conjunto de p + 1 variáveis explicativas designados X =
(x0 , x1 , . . . , xp ) com x0 = 1 e uma variável resposta Y de natureza nominal tal que Y = (0, 1, . . . , J).
Assumindo n observações independentes, para i ∈ (1, 2, . . . n) o logit do modelo é dado pela

fórmula:2.23
gk1 ≡ gk1 (X) = βk0 X10 + βk1 X11 + . . . + βkp X1p + 1
gk2 ≡ gk2 (X) = βk0 X20 + βk1 X21 + . . . + βkp X2p + 2

(2.23)
···
gkn ≡ gkn (X) = βk0 Xn0 + βk1 Xn1 + . . . + βkp Xnp + n

Onde: os n-ésimos termos de erros tem as seguintes suposições 2.24:
(i) E(i |Xi ) = 0 (ii) var(i |Xi ) = var(Yi |Xi ) (iii)Cov(i |t ) = 0 para i 6= t (2.24)
O que resulta na definição: A Regressão Logı́stica é Multinomial se para cada Yi ∈ (Y1 , Y2 , . . . , YJ ),

os logit do sistema de equação 2.23 permitem apresentar o modelo em forma 2.25, Figueira (2006):
exp(gki )
πki ≡ πki (X) = (2.25)
1 + exp(gki )
Sendo πki (X) = Pr(Y = J|X) para j = (1, 2, . . . , J), e considerando o facto de gk0 = 0, então o
modelo geral de probabilidades condicionais para as J + 1 categoria é dada pela expressão 2.26:
exp[(gk )]
Pr(Y = J|X)) = J
(2.26)
X
exp[(gki )]
j=1
Nesse tipo de modelos, dentre as categorias da variável resposta (VR), uma é eleita para ser categoria
de referência. Assim, se a primeira categoria (Y = 1) da VR é usada para este fim, o logit do modelo
é expressado pela equação 2.27, (Bittencourt, 2012).
h Pr(Y = k|X) i
gi (x) = ln , j = 1, 2, . . . , J (2.27)
Pr(Y = 0|X)
Nessa classe de modelos, a função de máxima verosimilhança é expressada pela seguinte forma 2.28:
n
Y
l(β) = f (Yi ) = π0 (xi )y0 π1 (xi )y1 . . . πn (xi )yn (2.28)
i=1
Onde a expressão 2.28 é comumente apresentada na sua forma logarı́tmica:

n
hY i
L(β) = log f (Yi ) = π0 (xi )y0 π1 (xi )y1 . . . πn (xi )yn (2.29)
i=1
Tal como nos procedimentos de estimação dos modelos de regressão logı́stica binários, os estimadores
β do modelos multinomial são obtidos resolvendo equação 2.30 obtido pelas derivadas parciais da

função 2.29.
n
δL(β) X
= Xij (Yki − πki ) = 0 (2.30)
δβkj i=1
Segundo Figueira (2006), as estimativas de Razão de Chances nos modelos multinomiais da categoria
Y = j em relação a categoria Y = 0 (como categoria de referência) do instante x = a em relação a
x = b é dado por:
Pr(Y = k|x = a) Pr(Y = k|x = b)

OR(a, b) = / (2.31)
Pr(Y = 0|x = a) Pr(Y = 0|x = b)
2.11.2 Modelos de Regressão Logı́stica Ordinal

Segundo Hosmer e Lesmeshow (2000), existem ocasiões em que a categoria multinomial de resposta
não é nominal mas sim ordinal. Um exemplo concreto é o caso das variáveis descritas em escalas de
Linkert em que são atribuidos valores de acordo com certa sequência. Para os autores, as análises de
género podem ser feitas usando Modelos de Regressão Logı́stica Ordinal pois as estimativas de razão
de chances serão mais parcimoniosas.
Modelos Cumulativos ou chances proporcionais
Segundo Agresti (2007), probabilidade acumulada de Y é a probabilidade de Y estar abaixo ou sobre

certa categoria. Para a categoria de resposta j, a probabilidade acumulada é
Pr(Y ≤ j) = π1 + π2 + . . . + πj , j = 1, 2, . . . , J − 1 (2.32)
A probabilidade cumulativa reflecte a ordenação cuja, Pr(Y ≤ 1) ≤ . . . ≤ Pr(Y ≤ J) = 1.

Por conseguinte, o logit da probabilidade cumulativa é dado pela expressão 2.33:
h Pr(Y ≤ j) i h π + π + ... + π i
1 2 j
Pr(Y ≤ j) = log = log = τ k − βk X (2.33)
1 − Pr(Y ≤ j) πj+1 + πj+2 + . . . + πJ
• Onde: j = 1, 2, . . . , J − 1 são categorias da variável dependente;
• k representa o número de categorias da variável resposta;
• τk representa os k interceptos do modelo;
• βk representa o coeficiente angular da categoria k da variável dependente, e;
• X é o vector das variáveis.

E o logarı́tmo da razão de chances desses modelos é expressado pela equação 2.34:

" #
Pr(Y ≤ j|X1 )/Pr(Y > j|X1 )
log RC(1, 2) = log (2.34)
Pr(Y ≤ j|X2 )/Pr(Y > j|X2 )
A vantagem dos Modelos Logisticos Cumulativos é de permitir a interpretação das chances na forma
de modelos binários unindo as categorias Y ≤ j como Y = 1 e 1 − Y ≤ j como categoria de
referência (Y = 0).
Modelos de Categorias Adjacentes
Sempre que se pretende comparar as mudanças na categoria da variável dependente seguindo uma
ordenação consecutiva de par de categorias (crescente ou decrescente) o modelo adequado é ordinal
de Categorias adjacentes, (Hosmer e Lemeshow, 2000).
Os modelos logı́sticos em categorias sequencial ( Modelo Logı́stico de Categorias Adjacentes) é dado

pela expressão 2.35:
h π (X) i 0
k
ak (X) = ln = αk + X β (2.35)
πk−1 (X)
Onde:
• αk representa os k interceptos do modelo de categoria adjacentes;
Modelos de Chances Continuas
Nos Modelo Logı́stico de Chances Contı́nuas as comparações são efectuados para Y = k mantendo
como referência as outras Y < k, tal como mostra o modelo Logit:
h P r(Y = k|X) i 0
rk (X) = ln = θk + X βk (2.36)
P r(Y < k|X)
Onde:
• θk representa os k interceptos do modelo de categoria adjacentes;

Segundo Hosmer e Lemeshow (2000) uma das vantagens desses modelos é o facto de permitir uma
interpretação em forma de K modelos.
Modelo Estereótipo
Segundo Abreu (2007), o modelo estereótipo deve ser utilizado quando a variável resposta é uma
variável ordinal que não é uma versão discreta de alguma variável contı́nua, como por exemplo, uma
escala de variáveis qualitativas que tem como categorias (leve, moderado, grave). Esse modelo acessa
o carácter ordinal da variável resposta através de uma ordenação da razão de chances das categorias.
Ele pode ser considerado uma extensão do modelo de regressão multinomial. Compara cada cate-
goria da variável resposta com uma categoria de referência, que normalmente é a primeira categoria.
Portanto também faz parte dos modelos de linha de base.
A sua expresão matemática é a seguinte 2.37:

h Y = y |X i
k
ln = αk + βk1 X1 + βk2 X2 + . . . + βkp Xp (2.37)
Y = y1 |X
Onde:
• αk representa os k interceptos do modelo de categoria adjacentes;
Pelo facto de estar perante escalas ordinais, é introduzido uma componente de log da chance βkp Xp
para esse modelo a partir dos pesos usando a seguinte relação:βkp Xp = φk βj . E o modelo Logı́stico
ajustado passa ser 2.38:
h Y = y |X i
k
ln = αk + φk (β1 X1 + β2 X2 + . . . + βp Xp ) (2.38)
Y = y1 |X
Então, a razão de chances formada terá uma tendência de crescimento, já que os pesos podem ser
construı́dos pela ordenação (0 = φ0 ≤ φ1 ≤ . . . ≤ φk = 1). Assim, o efeito das covariáveis na
primeira razão de chances é menor que o efeito no segundo e assim sucessivamente.

Ajuste do Modelo Esteorótipo
Segundo Anderson (1984) o ajuste do Modelos Eteorótipo está centrada na seguinte função de MV
2.39:
N Y
Y J
L(xi , αi , βi , φi ) = Pj (xj )I(Y =j) (2.39)
i=1 j=1
No que concerne com os diagnósticos do modelo, os testes de Score e de Deviance continuam sendo
os mais indicados para avaliar a significâcia estatı́stica dos parâmetros e a qualidade do ajuste do
modelo respectivamente.

Capı́tulo 3
Materiais e Métodos
No presente capı́tulo pretende-se descrever a metodologia e as tecnicas estatı́sticas usadas para iden-
tificar os factores que determinam a satisfação dos clientes com os serviços do Millennium BIM.
3.1 População e amostra
3.1.1 Definição da populaço em estudo

A população alvo do presente estudo são todos estudantes da Universidade Eduardo Mondlane (UEM)
que frequentam cursos nas faculdades ou escolas da Cidade de Maputo com conta bancária no Mil-
lennium BIM.
3.1.2 Determinação do tamanho da amostra

A UEM encontra-se subdividido em Faculdades, Departamentos e Cursos. Portanto usou-se as Fa-
culdades como sendo os grupos no qual serão seleccionados os estudantes a participar na amostra. E,
optou-se como critério de selecção dos estudantes o método não probabilı́stico por conveniêcia.
Por se tratar de selecção de elementos em subgrupos (Faculdades) usando a conveniêcia, verifica-se

que usou-se uma amostragem não probabilı́stica por Quotas. Pois, para Conchran (1965) o proce-
dimento dessa técnica começa com a determinação dos grupos N1 , N2 , . . ., Nk que constituem as
partições da população N , segundo as caracterı́sticas que a população apresenta e por fim calcular as
Ni
quotas ni a seleccionar no grupo Ni para pertencer a amostra ni = n ∗ .
N
Segundo Cochran (1965), a determinação do tamanho de amostra é efectuada de acordo com o co-
nhecimento aprior do tamanho da população, a margem de erro, o nı́vel de confiança e proporção
dos indivı́duos correspondente a caracteristica em estudo. Em caso de se desconhecer a proporção
26
de caracteristicas em estudo, é utilizado a proporção de 0.5 pelo facto de maximizar o tamanho da

amostra, Cochran (1965).
O número total de estudantes inscrito em 2015 nas Faculdades e Escolas da UEM na Cidade de
Maputo é de 30172. Com base neste valor, estimou-se o número de estudantes a participar na amostra
usando a fórmula 3.1.
2
N ∗ Z1−α/2 ∗ P ∗ (1 − P )
n= 2
(3.1)
(N − 1) ∗ d2 + Zα/2 ∗ P ∗ (1 − P )
Onde:
• N é o tamanho da população em estudo;
• Z(1−α/2) é o valor crı́tico obtido na tabela de probabilidade acumuladas da distribuição normal;
• P é a proporção dos elementos da população que são clientes do Millennium BIM;
• d é a margem de erro da verdadeira proporção dos elementos da população que usam serviços
de BIM com a proporção estimada.
A determinação do tamanho da amostra foi feita com base na população de N = 30172 e conside-
rando uma margem de erro d = 6% com um nı́vel de confiança de 95%. De acordo com esses dados
determinou-se o tamanho mı́nimo necessário a recolher:
30172 ∗ 1.962 ∗ 0.5 ∗ (1 − 0.5) ∼

n= = 262 (3.2)
(30172 − 1) ∗ 0.062 + 1.962 ∗ 0.5 ∗ (1 − 0.5)
A expressão 3.2 mostra que uma amostra com mais de 262 indivı́duos é considerada estatistica-
mente representativa. Portanto foram inqueridos 265 estudantes subdivididos em quotas obtidas pela
equação 3.3 tal como mostra a Tabela A.1 do Anexo A.
NTotal Faculdade
nFaculdade = n ∗ (3.3)
NTotal Univesidade
Onde:
• NTotal Faculdade representa o total dos estudantes nas faculdades ou escolas da UEM;
• NTotal Univesidade é o total dos estudantes inscritos em 2014;
• n é o tamanho da amostra.

3.2 Recolha de dados

O presente estudo é uma pesquisa de mercado bancário com todas variáveis qualitativa apresentadas
em escala de Linkert com 5 categorı́as de satisfação. Usou-se dados primários recolhidas atravez do
questionário apresentado no ( Anexo B). O questionário é composto por 22 variáveis onde a variável
de interesse é a satisfação geral dos clientes com os serviços do banco (Tabela 3.1).
Tabela 3.1: Designações das variáveis
Designações Variáveis
Imagem Satisfação com a imagem do banco
Segurança Segurança nos recintos pertencentes ao banco.
Propagandas Propagandas pelo meio televisivo, rádio, jornais e.t.c.
Atenção Atenção dispensada aos clientes sem distinção.
Rapidez Rapidez e dinamismo dos funcionários.
Gentileza Gentileza, educação e cortesia dos fucionários no atendimento.
Interesse Interesse do funcionário em resolver os problemas.
Motivação Motivação dos Funcionários no atendimento.
Cumprimento Cumprimento dos horários e os prazos.
Relacionamento Relacionamento com os clientes.
Qualidade Qualidade dos produtos e serviços do banco.
Informação A qualidade e clareza de informação sobre produtos e serviços.
Facilidade Facilidade na abertura e movimentação da conta.
Tempo Tempo de espera nas filas.
Tesoraria Atendimento no caixa de tesoraria.
Localização Localização de terminais de auto-atendimentos
Satisfação eral Satisfação geral considerando todos os aspectos da instituição BIM
Fonte: Elaborado por autor-Nhar, E.
3.2.1 Definição da Variável Dependente

A variável dependente é a Satisfação geral dos estudantes com os serviços de Millennium BIM e está
definida do seguinte modo:


 1-Muito insatisfeito

 2-Insatisfeito



Yi = 3-Indiferente (3.4)

 4-Satisfeito




5-Muito satisfeito


3.2.2 Modelos estatı́sticos

Neste trabalho foram estimado 5 (cinco) modelos de regressão logı́stica multicategórica, trata-se de
regressão logı́stica multinomial (RLM), chances proporcionais (RLOCP), chances contı́nuas (RLCC),
categorias adjacentes (RLOCA) e estereótipo (RLOE).
Modelo de Regressão Logı́stica Multinomial
O Modelo da equação 3.5 representa a forma geral dos modelo de regressão multinomial. A principal
caracterı́stica desses modelos é assumir que as categorias são nominais ou por outra não seguem
nenhuma sequência.
" #
Pr(Y = yi |X)
ln = βi0 + βi1 x1 + βi2 x2 + . . . + βip xp (3.5)
Pr(Y = yk |X)
Onde βip são parâmetros do modelos da que relacionam a categoria i tendo como referência a cate-
goria k para i = 1, 2, . . . , k − 1.
E em termos probabilı́sticos tem-se:
exp[βi0 + βi1 x1 + βi2 x2 + . . . + βip xp ]

Pr(Y = yi |X) = k−1
(3.6)
X
exp[βi0 + βi1 x1 + βi2 x2 + . . . + βip xp ]
j=1
Modelo Ordinal de Chances proporcionais
O modelo apresentado na equação 3.7 representa a forma geral dos modelos de chances proporcionais.
h Pr(Y ≤ j) i h π + π + ... + π i
1 2 j
Pr(Y ≤ j) = log = log = τ k − βk X (3.7)
1 − Pr(Y ≤ j) πj+1 + πj+2 + . . . + πJ
Onde τk representa o vector de interceptos dos modelos que relacionam a categoria Y = j em relação
a categoria de referência Y = 0 para j = 1, 2, . . . , J − 1. E os parâmetros βk são os declives do
modelo.
Modelos Ordinal de Chances Contı́nuas
O Modelo Ordinal de Chances Contı́nuas é um modelo em que a comparação é efectuada de Y = k

mantendo como referência as outras Y < k, tal como mostra equação 3.8:

h P r(Y = k|X) i 0
ln = θk + X θk (3.8)
P r(Y < k|X)
Onde θk representa o vector de interceptos dos modelos que relacionam a categoria Y = j em relação
a categoria de referência Y = 0 para j = 1, 2, . . . , J − 1. E os parâmetros βk são os interceptos do
modelo.
Modelos de Categorias Adjacentes
O Modelo Ordinal de Categorias Adjacentes é um modelo que relaciona as categorias da variável

dependente em par subsequentes estimando a chance de se verificar mudanças na categoria j tendo
como referência a categoria j − 1. Como ilustra a equação 3.9:
h φ (X) i 0
k
ln = αk + X β (3.9)
φk−1 (X)
Modelo Estereótipo
Este tipo de modelo é uma versão dos modelos de regressão multinomial que leva em consideração o
facto das categorıas de variável resposta possuir uma ordenação e sem provir duma transformação de
variável contı́nua (Hosmer e Lemeshow, 2000). Para tal são atribuı́dos pesos que servem para ajustar
a tendência das estimativas de razões de chance. O modelo apresentado na equação 3.5 é ajustado
fornecendo o seguinte modelo:
h Y = y |(X) i
k
ln = θk + φk (β1 X1 + β2 X2 + . . . + βp Xp ) (3.10)
Y = y1 |(X)
Onde:
• θk é o vector de interceptos do modelo Y = k em relação a Y = 0;
• φk representa o peso da modelo;
• β1 são os parâmetros do modelo, e;
• X são as variáveis explicativas do modelo.
Segundo Abreu (2007) um dos pressupostos subjacentes a esse modelo é que os pesos φi sigam uma
ordenação tal que:
0 = φ0 ≤ φ1 ≤ . . . ≤ φk = 1 (3.11)

Onde a categoria de referência pode ser a primeira ou a última.
3.2.3 Qualidade de ajuste dos modelos de regressão logı́stica multinomial

A avaliação da significância dos parâmetros e o ajuste do modelo foram feita com base nos testes de
Score e Deviance respectivamente. As estatı́sticas de Score e Deviance são apresentados nas equações
3.13 e 3.15.
(
H0 : βi = 0
(3.12)
H1 : βi 6= 0
Avaliando as hipóteses apresentadas em 3.12 a estatı́stica do teste de Score é determinada pela se-
guinte fórmula:
Xn
xi (yi − ȳ)
i=1
z=h n i1/2 (3.13)
X
2
ȳ(1 − ȳ) xi (xi − x̄)
i=1
Onde: ȳ = π̂ (proporção de sucessos na amostra)

O teste de Deviance faz o diagnóstico do ajuste do modelo testando a as seguintes hipóteses:
(
H0 : O modelo completo se ajusta aos dados
(3.14)
H1 : O modelo completo não se ajusta aos dados
A estatı́stica de teste de Deviance é dado por:

h l(β ) i
0
D = −2 ln ∼ χ2(k−1)p (3.15)
l(β0 , β)
Seleção do ”Melhor”Modelo
Segundo Englesson (2016), uma das estatı́stias mais usadas para comparar dois modelos é o Critério
de Informação de Akaike (AIC). AIC compara modelos que foram construido usando mesmos da-
dos avaliando o quão bom é o modelo selecionado para descrever as variações esperadas na VR.
O melhor modelo é aquele que possui menor valor de AIC. E a vantagem dessa estatástica compa-
rando com as outras estatisticas conconcorrentes como Critério de Informação Bayesiana (BIC) é de
ser penalizado com o número de parâmentros adicionados no modelo. O valor da estatı́stica AIC é
determinado pela fórmula 3.16:
AIC = −2L + 2p (3.16)
Onde L é a estimativa de log máxima verosimilhança e p é o número de parâmetros.

Capı́tulo 4
Análise e discussão dos resultados
4.1 Descrição dos dados
4.1.1 Variáveis demográficas

Na amostra dos 265 estudantes que participaram no estudo constatou-se que cerca de 61.5% são do
sexo masculino e os restantes 38.5% são do sexo feminino.
Na Figura 4.1 são apresentado os resultados referentes ao rendimento médio mensal dos estudantes
que participaram no estudo, de onde se pode verificar que a maioria dos estudantes que participa-
ram do estudo (cerca de 49.8%) possuem um rendimento médio mensal entre 1000mt a 5000mt e a
minoria (cerca de 6.8%) tinham um rendimento médio superior que 4000mt.
Figura 4.1: Rendimento médio mensal do estudante inquerido
32
Figura 4.2: Distribuição de idades dos estudantes inqueridos
Dos estudantes entrevistados, constatou-se que 59.25% tinham idade entre inferior a 18 anos e apenas
7.6% possuem idade superior a 45 anos.
Na Figura 4.3 são apresentados os resultados correspondente ao tempo em anos que os estudante
inqueridos tinha usando os serviços do banco em análise.
Figura 4.3: Tempo médio de estudantes a usar os serviços de Millennium BIM
A Figura 4.3 mostra que 52% dos clientes usavam o banco Millennium BIM a menos de 4 anos e
apenas 11% afirmaram usar os serviços de Millennium BIM a mais de 8 anos.

4.1.2 Variável de Resposta

A Tabela 4.1 apresenta os valores de frequências absoluta simples e as respectivas percentagens cor-
respondente da variável que mede a satisfação dos clientes duma forma geral.
Tabela 4.1: Estatı́sticas descritivas para a satisfação geral dos clientes
Categorias Frequência absoluta Percentangem

Muito Insatisfeito 22 8.30%
Insatisfeito 50 18.87%
Indiferente 33 12.45%
Satisfeito 129 48.68%
Muito Satisfeito 31 11.70%
Total 265 100%
Da Tabela 4.1 constata-se que grande parte dos clientes estão satisfeito com os serviços do Millennium
BIM apenas 8.30% estão muito insatisfeitos.
4.2 Modelos de Regressão logı́stica

Os modelos de regressão logı́stica multicategórica podem serem subdivididos em 5 (cinco) modelos
distintos que são: Regressão Logistica Multinomiais, Chances Proporcionais, Razão Contı́nua, Cate-
gorı́as Adjacentes e Estereótipos.
Nas Tabelas A.6,A.7, A.8, A.9 e A.10 do Anexo A, são apresentados resultados dos modelos de
regressão logı́stica Multinomial, Ordinal de Chances Proporcionais, Ordina de Categorias Adjacen-
tes, Ordinal de Razão Contı́nua e Ordinal Estereótipo respectivamente.
Com base no teste z de Score que testa a hipótese nula dos parametros individuais do modelo serem
estatisticamente iguais a zero (H0 : βi = 0) foram eliminadas as variáveis que não eram significativas,
isto é, que possuiam p-value menor que 0.05
4.2.1 Selecção do melhor modelo

Para identificar o modelo que melhor se ajusta aos dados obteve-se os valores de AIC para cada mo-
delo multicategórico. A Tabela 4.2 mostra os valores de AIC e os respectivos números de factores
rectidos em cada submodelo de regressão logı́stica estimado.
De acordo com a Tabela 4.2 constata-se que o modelo que melhor se ajusta aos dados é a Regressão
Ordinal Estereótipo pelo facto de possuir menor valor de AIC.

Tabela 4.2: Estimativas de AIC para identificação do modelo que melhor se ajusta aos dados
Modelos de Reressão Logı́stica AIC Factores rectidos

Multinomial-Linha de Base 629.76 4
Ordinal de Chances Proporcionais 595.89 10
Ordinal de Razão Contı́nua 601.56 9
Ordinal de Categorias Adjacentes 585.95 9
Ordinal Estereótipo 578.02 10
Visto que a variável de interesse neste caso a satisfação geral dos clientes é uma variável categórica
ordinal que não provém da categorização duma variável contı́nua, era de se esperar que o modelo de
regressão que melhor se adeque nesse tipo de dados seja a Regressao Logı́stica Ordinal Estereótipo.
Portanto, na Tabela 4.3 são apresentadas as estimativas e os respectivos pesos φi do modelo seleccio-
nado.
Tabela 4.3: Estimativas do modelo Estereótipo
Factor Coeficiente Erro padrão Probabilidade

Imagem 0.850 0.274 0.002
Atenção 0.640 0.242 0.008
Gentileza 0.554 0.267 0.038
Interesse 0.976 0.259 0.000
Relacionamento 0.776 0.273 0.004
Qualidade 0.536 0.249 0.031
Informação 0.756 0.242 .002
Tempo 0.537 0.232 0.021
Tesoraria 1.065 0.256 '0
Localização 0.871 0.246 '0
φ5 1
φ4 0.94 .058 '0
φ3 0.62 .081 '0
φ2 0.3 .08 '0
φ1 (Categoria de referência)
θ5 21.084 2.759 '0
θ4 18.137 2.438 '0
θ3 11.619 2.376 '0
θ2 4.540 1.722 0.033
θ1 (Categoria de referência)

Com base nos resultados da Tabela 4.3 constata-se que o sub-conjunto de variáveis que determinam
com maior significância estatı́stica a satisfação geral dos clientes do Millennium BIM são: satisfação
com a imagem do banco; atenção dispensada aos clientes sem distinção; rapidez e dinamismo dos
funcionários; gentileza educação e cortesia dos fucionários no atendimento; a qualidade e clareza de
informação sobre produtos e serviços; tempo de espera nas filas; atendimento no caixa de tesoraria e
a localização de terminais de auto-atendimentos.
Tendo em conta os pesos dos coeficientes φi determinados na Tabela 4.3, em seguida é apresen-
tado na Tabela 4.4 a matriz dos 4 sub-modelos que são resultados da ponderação dos coeficientes da
Tabela 4.3.
Tabela 4.4: Matriz dos coeficientes do Modelo Estereótipo ajustado com os pesos φi
log(Me[,5]/Me[,1]) log(Me[,4]/Me[,1]) log(Me[,3]/Me[,1]) log(Me[,2]/Me[,1])
(Intercepto) 21.084 18.137 11.619 4.540

Imagem 0.850 0.801 0.524 0.253
Atenção 0.640 0.603 0.396 0.191
Rapidez 0.554 0.522 0.341 0.165
Gentileza 0.976 0.920 0.601 0.291
Interesse 0.776 0.731 0.478 0.231
Relacionamento 0.536 0.505 0.330 0.160
Informação 0.755 0.712 0.466 0.225
Tempo 0.537 0.506 0.331 0.160
Tesoraria 1.066 1.003 0.656 0.317
Localização 0.871 0.821 0.536 0.260
O modelo apresentado na Tabela 4.4 pode ser estendido na expressão 4.1
modelo5i = φi {21.084 + 0.850 ∗ Imagem + 0.640 ∗ Atenção + 0.554 ∗ Rapidez + 0.976 ∗ Gentileza+
+0.776 ∗ Interesse + 0.536 ∗ Relacionamento + 0.755 ∗ Informação+
+0.537 ∗ Tempo + 1.066 ∗ Tesoraria + 0.871 ∗ Localização}
(4.1)
Onde os pesos φi assumem os valores φ1 = 0, φ2 = 0.298, φ3 = 0.616, φ4 = 0.942, φ5 = 1 em que a

ordenação corresponde aos submodelos dos clientes Muito insatisfeito, Insatisfeito, Indiferente, Sa-
tisfeito e Muito Satisfeito respectivamente, com φ1 = 0 indicando a categoria de referência e φ1 = 1
a última categoria ordenada.
A seguir é apresentadado a Tabela 4.5 que contém os expoentes das estimativas da Tabela 4.3, neste

caso as razões de chances de verificar-se mudanças nas categorias da variável resposta.
Tabela 4.5: Matriz das estimativas de OR do Modelo Estereótipo ajustado com os pesos φi
log(Me[,5]/Me[,1]) log(Me[,4]/Me[,1]) log(Me[,3]/Me[,1]) log(Me[,2]/Me[,1])
Imagem 2.339 2.227 1.688 1.288

Atenção 1.897 1.828 1.484 1.210
Rapidez 1.740 1.658 1.407 1.180
Gentileza 2.654 2.509 1.824 1.338
Interesse 2.172 2.077 1.613 1.260
Relacionamento 1.710 1.659 1.392 1.173
Informação 2.129 2.038 1.593 1.253
Tempo 1.711 1.659 1.393 1.173
Tesoraria 2.900 2.627 1.927 1.374
Localização 2.390 2.273 1.710 1.297
A partir da Tabela 4.5 verifica-se que todas as chances são superiores que 1, o que indica que para
cada aumento unitário de pontuação de satisfação em qualquer uma das variáveis independentes,
influênciam positivamente na satisfação geral dos clientes.
4.2.2 Qualidade de ajuste do Modelo

A verificação da qualidade de ajuste dos modelos de regressão logı́stica é frequentemente efectuada
com os teste de Deviance. No presente trabalho usou-se essa estatisticas para a validação do modelo,
tal como mostra a Tabela 4.6.
Tabela 4.6: Estatı́stica χ2 para a avaliação de ajuste do Modelo
Estatı́stica de teste Valor do teste g.l Probabilidade Regra de decisão

Deviance 544.529 17 '1 Não rejeitar a H0
A estatı́sticas de Deviance mostra que existem evidências suficientes para afirmar que o modelo se
ajusta com os dados já que a sua probabilidade não é significativo.
As variáveis socio-demográficas como o sexo, rendimento, as faixas etárias e os anos dos clien-
tes usando os serviços de Millennium BIM não tiveram muitas análises já que estes não mostraram
diferenças significativas nos teste de análise de variância, tal como mostra a Tabela A.5 de Anexo A

4.3 Discunsão dos resultados

O presente trabalho pretende avaliar os factores que determinam à satisfação dos clientes do Millen-
nium BIM na Cidade de Maputo. Para tal foi necessário estimar os possı́veis modelos que poderiam
identificar tais factores.
A variável de interesse é a satisfação geral dos clientes com os serviços do Millennium BIM, e a
mesma foi medida numa escala ordinal de 5 categorias das quais a primeira representa os clientes
muito insatisfeitos e a última corresponde os clientes muito satisfeito. Como a variável dependente é
qualitativa com mais de duas categorias, usou-se como técnica de dependência os modelos multino-
miais.
Nos modelos multinomiais são encontrados 5 (cinco) principais submodelos que são: Multinomial
Categórico de Linha de Base, Chances Proporcionais, Chances Contı́nuas, Categorias Adjacentes e
Estereótipo.
Estimou-se os 5 (cinco) modelos acima referenciados e avaliando a probabilidade associada a sig-

nificância dos parâmetros ( com base na estatı́stica de z Score) forom retidas somente as variáveis
estatisticamente significativas. Em seguida, obteve-se os valores da estatı́stica AIC correspondente
a cada submodelo e finalmente comparou-se as os valores de AIC com o propósito de identificar o
modelo que melhor se adequa com os dados.
O modelo Estereótipo foi identificado como sendo o melhor para identificar os factores ja que este for-
neceu o menor valor de AIC. O modelo Estereótipo identificou 10 factores que influenciam significa-
tivamente na satisfação geral dos clientes com os serviços do Millennium BIM, trata-se da satisfação
com a imagem do banco, atenção dispensada aso clientes sem distinção, Rapidez no atendimento,
Gentileza no atendimento, interesse dos funcionários na resolução dos problemas, a forma de rela-
cionamento dos funcionários com os seus clientes, Qualidade de informação sobre os serviços do
banco, o tempo de espera nas filas, o número de servidores na tesoraria, localização dos terminais
de auto-atendimento.
Todos os factores rectidos no modelo possuem parâmetros βi não negativos oque permite concluir
que esses factores influenciavam posetivamente na satisfação geral. Porém o destaque foi para as
variáveis que duplicaram a chance de se verificar mudanças nas categorias da variável resposta, neste
caso trata-se de: imagem do banco; interesse dos funcionários em resolver os problemas, relaciona-
mento com os clientes, qualidade e clareza de informação sobre produtos e serviços, qualidade de
atendimento no caixa de tesoraria; e a localização de terminais de auto-atendimentos.

A avaliação do poder explicativo do modelo baseiou-se no teste de deviance. Sob a hipótese nula
de que o modelo completo se ajusta com os dados, a estatı́stica de deviance mostrou um valor de 544
com 17 graus de liberdades, que possui uma probabilidade próxima de 1 o que permite concluir que
a hipótese do modelo ter bom poder explicativo não é rejeitada.
A interpretação das variáveis do modelo estereótipo pode ser entendida com o seguinte exemplo:
Avaliando a influência do aumento unitário do grau de satisfação com o Interesse dos funcionários
em resolver os problemas do Banco Millennium, mantendo o resto das variáveis constante: a chance
dum cliente que era Muito insatisfeito vir a ser simplesmente insatisfeito é 1.26 vezes maior; para os
clientes que eram muito insatisfeitos, a chance de virem a ser indiferentes é de 1.68 vezes maior, para
os clientes que eram muito insatisfeitos, a chance de virem a ser satisfeitos é de 2.27 vezes maior e
considerando os clientes muito insatisfeitos a chance de virem a ser Muito Satisfeitos é de 2.43.

Capı́tulo 5
Conclusão e recomendações
5.1 Conclusão
Tendo em conta os objectivos definidos e os resultados obtidos na presente investigação, neste capı́tulo
são apresentadas as principais conclusões do trabalho.
• Verificou-se que não existem diferenças significativas no grau de satisfação geral com os serviços
do banco em relação as variáveis socio-demográficas.
• Foram estimados cinco modelos de regressão multinomial dentre os quais com base na comparação
dos valores de AIC verificou-se que o melhor modelo para identificar os facores que determi-
nam à satisfação dos clientes com os serviços do Millennium BIM é o modelo Estereótipo.
• O modelo Estereótipo identificou 10 variáveis que determinam significativamente a satisfação

dos clientes em usar os serviços de Millennium BIM, trata-se da satisfação com a imagem
do banco, atenção dispensada aso clientes sem distinção, Rapidez no atendimento, Gentileza
no atendimento, interesse dos funcionários na resolução dos problemas, a forma de relacio-
namento dos funcionários com os seus clientes, Qualidade de informação sobre os serviços
do banco, o tempo de espera nas filas, o número de servidores na tesoraria, localização dos
terminais de auto-atendimento.
• Todas as variáveis mostraram que influenciavam posetivamente na satisfação geral. Porém o

destaque foi para as variáveis que duplicaram a chance de se verificar mudanças nas categorias
da variável resposta, neste caso trata-se de: imagem do banco; interesse dos funcionários em
resolver os problemas, relacionamento com os clientes, qualidade e clareza de informação sobre
produtos e serviços, qualidade de atendimento no caixa de tesoraria; e a localização de terminais
de auto-atendimentos.
40
5.2 Recomendações
De acordo com as conclusões obtidas recomenda-se aos gerentes da operadora bancária Millennium
BIM para invistam mais em:
• Promover o markting dos seus serviços bancários, de modo a prover a imagem do banco;
• Aumentar as terminais de atendimentos;
• Aumentar a qualidade do atendimento nas caixas de tesoraria;
• promover a resolução de todos os problemas dos clientes

Referências Bibliográficas
[1] Abreu, M. (2007): Uso de modelos de regressão logı́stica ordinal em epidemiologia: um exemplo
usando a qualidade de vida , Belo Horizonte.
[2] Agresti, A. (2007): An Introduction to Categorical Data Analize, second edition, Florida .
[3] Alves, C. T. (2003): Satisfação do consumidor. Lisboa: Escolar Editora.
[4] Anderson, J.A. (1984): Regression and ordered categorical variable. Journal of the Royal Statis-
tical Society.
[5] Balbim Jr., e Bornia, A. C. (2011): Proposta de um instrumento de medida para avaliar a
satisfação de clientes de bancos utilizando a Teoria da Resposta ao Item, Gestão e Produção.
[6] Beerli, A.; Martı́n, J. D.; Quintana, A. (2004): A model of customer loyalty in the retail banking
market, European Journal of Marketing.
[7] Banco de Cabo Verde-BCV, (2007): O Papel dos Bancos - Caderno no 4.
[8] Berry, L. L.e Parasuraman, A.(1991): Serviços de marketing, competindo através da qualidade.
São Paulo, Maltese-Norma.
[9] Bitner, M. J.; Booms, B. H.; Tetreault, M. (1990): The Service Encounter: Diagnosing Favorable
and Unfavorable Incidents, Journal of Marketing.
[10] Bittencourt, H., R.(2012): Regressão logı́stica politômica: revisão teórica e aplicações.
[11] Chauvel, M. A.(1999) A satisfação do consumidor no pensamento de marketing,Encontro Na-

cional de Anapad, Foz do Iguaçu.
[12] Chieira, C. C. (2013): Os Determinantes da Satisfação dos Clientes Bancários, Coimbra.
[13] Cobra, M. (1992): Administração de marketing. 2. ed. São Paulo, Atlas.
[14] CNM-Conselho Nacional Monetário (1994): Resolução número 2.099. Rio de Janeiro.
[15] Cochran, W. G. (1965): Técnicas de Amostragem. Rio de Janeiro.
42
[16] Duffy, J. A.; Miller, J.; Bexley, J. B. (2006): Banking customers varied reactions to service
recovery strategies. International Journal of Bank Marketing.
[17] Englesson, N. (2016): Logistic Regression for Spam Filtering.
[18] Etzel, Michael J e Silverman, Bernard I. (1981): A managerial Perspetive on Directions for
Retail Customer Dissatisfaction Research, Journal of Retailing.
[19] Fatoretto, M. B. (2011): Modelos para dados categorizados ordinais com efeito aleatório: uma
aplicação à análise.
[20] Ferrand, A.; Vecchiatini, D. (2002): The effect of service performance and ski resort image on
skiers satisfaction.
[21] Ferreira, C. (2012): Análise de risco de crédito com o uso de regressão logı́stica.
[22] Figueira, C. V. (2006): Modelos de regressão logı́stica.
[23] Fornell, C.; Johnson, M. D.; Anderson, E. W.; Cha, J., Bryant, B. E.(1996): The American
customer satisfaction index, nature, purpose, and findings. Journal of Marketing.
[24] Gerson, Richard F.(2001): A excelência no atendimento a clientes: mantendo seus clientes por
toda a vida. Rio de Janeiro. Qualitymark.
[25] Gray, Edmund R.; Balmer, John M. T. (1998): “Managing Corporate Image and Corporate
Reputation” Long Range Planning.
[26] Gronroos, Christian (2000) Relationship Marketing Operational?. EMAC Conference, Maastri-
cht, Netherlands, May.
[27] Hansemark, Ove C.e Alinsson, Marie. ( 2004): Customer satisfaction and the retention: the
experiences of individual employees. Managing Service Quality.
[28] Hart, Christopher W. L.et al. (1990): The profitable art of service recovery, Harvard Business
Review.
[29] Horovitz, J.(1993): Qualidade de serviço: a batalha pela conquista do cliente. São Paulo.
[30] Hosmer, D. W.; Lemeshow, S. (2000), Applied Logistic Regression, 2a Edition.
[31] Hausknecht, D.C. (1990): Journal of Consumer Satisfaction, Dissatisfaction and Complaining
Behaviour, 3rd edition.
[32] Hauck, A. e Donner, M. (1977): Modelos de regressão lineares.

[33] Hill, M. (2005): Investigação por questionário., 2a Edição, Lisboa, Silabo.
[34] Juran, J. M.( 1997): A qualidade desde o projeto: os novos passos para o planejamento da
qualidade em produtos e serviços. 3 ed. São Paulo: Pioneira.
[35] Kauffmann, S; Marchetti, R. Z. (2008): Canais de atendimento bancário e satisfação do cliente:

um estudo em bancos de varejo, Curitiba. Rio de Janeiro. Anpad.
[36] Keaveney, Susan M. (1995): Customer Switching Behavior in Service Industries: An Explora-
tory Study, Journal of Marketing.
[37] Kennedy, S.H. (1977): ”Nurturing corporate image”European Journal of Marketing.
[38] Kotler, Philip (1998): Marketing for Non profit Organization. Englewood Cliffs, Prentice-Hall;
2nd Edition.
[39] Latorre, M.(2013): Modelos de regressão logı́sticas aplicados na Epidemologia.
[40] Levesque, T e Mcdougall, G. H. G. (1996): Determinants of customer satisfaction in retail

banking. International Journal of Bank Marketing.
[41] Mckenna, Regis (1999). Marketing de relacionamento. Rio de Janeiro.
[42] Marion, J., C. (1989)– Análise das Demonstrações Financeiras. São Paulo: Atlas.
[43] Mattiello, A. (2001): Factores da satisfação com atendimento bancário dispensado aos clientes
especiais do banco do Brasil em Campo grande MS. Porto Alegre.
[44] Miguel, A., M. (2002): Determinantes da satisfação de clientes com os serviços bancários em
Belo Horizonte/MG. Dissertação de Mestrado em Engenharia de Produção.
[45] Mbim-Millennium BIM (2016): Relatórios e contas 2015
[46] Mbim-Millennium BIM (2015): Relatórios de sustentabilidade 2014
[47] Moutinho, L.e Smith, A. (2000): Modelling bank customer satisfaction through mediation of
attitudes towards human and automated banking, International Journal of Bank Marketing.
[48] Nickeles, W. G.; Wood, M. B.(2009): Marketing: relacionamentos, qualidade e valor.Rio de

Janeiro
[49] Oliveira, K. R. (2009): Relacionamento com clientes: Validação de um instrumento de pesquisa.
[50] Oliveira, P. A. da S.e Dutra, H. F.( 2002): Percepção de qualidade e construção de relaciona-
mentos. uma investigação num serviço financeiro. Anais do XXVI ENANPAD, Salvador, Bahia.

[51] Reichheld, F. F. e Sasser Jr., E. W. (1990): Zero defections: quality comes to service.
[52] Rodrigues, F. F. A. (1997): Qualidade em prestação de serviços. Rio de Janeiro.
[53] Santos, C. P., Fernandes, D. H.(2005): A recuperação de Serviços como Ferramenta de Relaci-
onamento: Seu Impacto na Confiança e Lealdade dos Clientes.
[54] SEADE (2011): Sistema Estadual de Análise de Dados, São Paulo SP.
[55] Smith, Amy K.; Ruth N. Bolton (1998): An Experimental Investigation of Customer Reactions
to Service Failure and Recovery Encounters: Paradox or Peril?, Journal of Service Research.
[56] Sureshchandar, G. S.; Rajendran, C.; Anantharaman, R. N. (2002) “The relationship between
service quality and customer satisfaction - a factor specific approach” Journal of Services Mar-
keting.
[57] Yi, Y. (1990): A critical review of consumer satisfaction, in Zeithaml, V. A. (Ed.) Review of
Marketing. Chicago.
[58] Yuille, J.C.; Catchpole, M. J. (1977) “The role of imagery in models of cognition” Journal of
Mental Imagery.
[59] Zacharias, M. L. B. (2008): Determinantes da satisfação dos clientes com serviços bancários.

Anexo A
Tabela A.1: Estratos dos estudantes dentro de cada Faculdade ou Escola
Faculdade ou Escola Total Inscritos Estimativas

Faculdade de Agronomia e Engenharia Florestal 1062 9
Faculdade de Arquitetura e Planeamento Fı́sico 389 3
Faculdade de Ciência 4763 44
Faculdade de Direito 1818 16
Faculdade de Economia 3714 33
Faculdade de Educação 1844 16
Faculdade de Engenharia 4830 42
Faculdade de Filosofia 650 6
Faculdade de Letras e Ciencias Sociais 8348 73
Faculdade de Medicina 1205 11
Faculdade de Veterinaria 411 4
Escola de Comunicação e Arte 920 8
Escola Superior de Ciencia e Desporto 217 2
Total 30172 265
46
Tabela A.2: Estatı́sticas descritivas para as variáveis explicativas
Categorias
Variáveis 1 2 3 4 5 Variáveis 1 2 3 4 5
fi 25 28 42 118 52 fi 27 73 59 67 39
Var1 Var9
fi(%) 9.43% 10.57% 15.85% 44.53% 19.6% fi(%) 10.2% 27.6% 22.3% 25.3% 14.7%
fi 22 61 63 83 36 fi 27 59 71 77 31
Var2 Var10
fi(%) 8.3% 23.02% 23.77% 31.32% 13.6% fi(%) 10.2% 22.3% 26.8% 29.1% 11.7
fi 30 38 57 92 48 fi 28 54 59 89 35
Var3 Var11
fi(%) 11.32% 14.34% 21.51% 34.72% 18.1% fi(%) 10.6% 20.4% 22.3% 33.5% 13.2%
fi 43 54 50 81 37 fi 33 60 46 77 49
Var4 Var12
fi(%) 16.23% 20.38% 18.87% 30.57% 14.0% fi(%) 12.5% 22.6% 17.4% 29.1% 18.5%
fi 48 76 60 53 28 fi 45 37 39 79 65
Var5 Var13
fi(%) 18.11% 28.68% 22.64% 20% 10.6% fi(%) 17.0% 14.0% 14.7% 29.8% 24.5%
fi 29 47 67 90 32 fi 69 68 37 60 31
Var6 Var14
fi(%) 10.94% 17.74% 25.28% 33.96% 12.1% fi(%) 26.0% 25.6% 13.9% 22.6% 11.7%
fi 31 63 45 84 42 fi 38 58 63 69 37
Var7 Var15
fi(%) 11.7% 23.77% 16.98% 31.7% 15.8% fi(%) 14.3% 21.9% 23.8% 26.0% 13.9%
fi 36 80 56 70 23 fi 50 52 57 67 39
Var8 Var16
fi(%) 13.58% 30.19% 21.13% 26.42% 8.6% fi(%) 18.8% 19.6% 21.5% 25.2% 14.7%
Tabela A.3: Estatı́sticas descritivas para as 16 variáveis
Designação N Média Moda Des. Padrão Designação N Média Moda Des. Padrão
Imagem 265 3.54 4 1.19 Cumprimento 265 3.07 4 1.24
Segurança 265 3.19 4 1.18 Relacionamento 265 3.10 4 1.18
Propagandas 265 3.34 2 1.25 Qualidade 265 3.18 4 1.21
Atenção 265 3.06 4 1.31 Informação 265 3.18 4 1.21
Rapidez 265 2.76 2 1.26 Facilidade 265 3.31 1 1.42
Gentileza 265 3.18 4 1.19 Tempo 265 3.68 4 1.38
Interesse 265 3.16 2 1.28 Tesoraria 265 3.03 4 1.27
Motivação 265 2.86 2 1.20 Localização 265 2.97 4 1.34
Tabela A.4: Descritivas de variável resposta
Variável N Média Desvio padrão Mı́nimo Máximo

Satisf geral 265 3.37 1.16 1 5

Tabela A.5: Teste de comparação dos grupos de variáveis sócio-demográficos
Variáveis Fontes de Variacao SQ g.l. QM F p-valor Conclusao

Entre grupos 8.044 4 2.011 2.355 0.054
Idade agrupada Dentro de grupos 222.016 260 0.854 Não há diferenças
Total 230.06 264
Entre grupos 5.332 4 1.333 1.102 0.356
Rendimento Dentro de grupos 314.464 260 1.209 Não há diferenças
Total 319.793 264
Entre grupos 9.118 4 2.27 2.13 0.077
Tempo em anos Dentro de grupos 278.226 260 1.07 Não há diferenças
Total 287.343 264
Entre grupos 0.295 4 0.074 0.009 0.999
Faculdade Dentro de grupos 2046.664 260 7.871 Não há diferenças
Total 2046.958 264
Tabela A.6: Estimativas do Modelo de Regressão Logı́stica Multinomial
Satisf geral Coef. Erro padrão z Pr(> |z|)

Muita Insatisfação (Categoria de referência)
Insatisfeito
Imagem 0.576 0.238 2.42 0.015
Interesse 0.677 0.295 2.32 0.021
Tesoraria 0.417 0.250 1.67 0.035
Localização 0.803 0.294 2.73 0.006
Indiferente
Satisfação 0.924 0.274 3.37 0.001
Interesse 0.846 0.317 2.67 0.008
Tesoraria 0.855 0.276 3.1 0.002
Localização 1.008 0.316 3.19 0.001
Satisfeito
Satisfação 1.107 0.259 4.28 ' 0
Interesse 1.351 0.306 4.41 ' 0
Tesoraria 1.196 0.265 4.51 ' 0
Localização 1.297 0.306 4.24 ' 0
Muito Satisfeito
Satisfação 0.983 0.292 3.37 0.001
Interesse 1.456 0.336 4.33 ' 0
Tesoraria 1.204 0.300 4.02 ' 0
Localização 1.215 0.329 3.69 ' 0

Tabela A.7: Estimativas de OR do Modelo Logı́stico de Chances Proporcionais
Satisf geral razão de chances Erro padrão P>z

Imagem 1.334 0.154 0.012
Atenção 1.362 0.146 0.004
Gentileza 1.329 0.154 0.014
Interesse 1.444 0.159 0.001
Qualidade 1.240 0.131 0.043
Informação 1.344 0.138 0.004
Tempo 1.226 0.117 0.033
Tesoraria 1.450 0.155 0.001
Localização 1.270 0.126 0.016
/cut1 5.387 0.732
/cut2 7.578 0.802
/cut3 8.551 0.842
/cut4 12.085 0.997
Tabela A.8: Estimativas do Modelo de Regressão Logástica de Categorias Adjacentes
Estimate Erro padrão Pr(> |z|)

β̂01 -3.487 0.526 '0
β̂02 -5.421 0.591 '0
β̂03 -4.333 0.670 '0
β̂04 -7.838 0.782 '0
Imagem 0.203 0.067 0.003
Atenção 0.207 0.064 0.001
Gentileza 0.168 0.070 0.017
Interesse 0.236 0.067 0.000
Informação 0.182 0.063 0.004
Tempo 0.151 0.060 0.011
Tesoraria 0.246 0.065 0.0001
Localização 0.198 0.061 0.001

Tabela A.9: Estimativas do Modelo de Regressão Logásticas de Razão Contı́nua
Estimate Erro padrão Pr(> |z|)

β̂01 -4.326 0.635 '00
β̂02 -6.027 0.693 '00
β̂03 -6.295 0.738 '00
β̂04 -10.311 0.895 '00
Imagem 0.213 0.096 0.027
Atenção 0.298 0.091 0.001
Gentileza 0.263 0.099 0.008
Interesse 0.327 0.094 0.000
Informação 0.283 0.088 0.001
Tempo 0.220 0.083 0.008
Tesoraria 0.320 0.091 0.000
Localização 0.230 0.085 0.007
Tabela A.10: Estimativas do modelo Estereótipo reduzido
Geral Coef. Erro padrão Valor Z Pr > z

Imagem 0.850 0.274 3.10 0.002
Atenção 0.640 0.242 2.65 0.008
Gentileza 0.554 0.267 2.07 0.038
Interesse 0.976 0.259 3.76 0.000
Relacionamento 0.776 0.273 2.84 0.004
Qualidade 0.536 0.249 2.16 0.031
Informação 0.756 0.242 2.12 0.002
Tempo 0.537 0.232 2.31 0.021
Tesoraria 1.065 0.256 4.16 '0
Localização 0.871 0.246 3.56 '0
φ5 1
φ4 0.94 .058 16.34 '0
φ3 0.62 .081 7.6 '0
φ2 0.3 .08 3.39 '0
φ1 (Categoria de referência)
θ5 20.622 2.759 7.47 '0
θ4 17.223 2.438 7.07 '0
θ3 10.747 2.376 4.52 '0
θ2 3.674 1.722 2.13 0.033
θ1 (Categoria de referência)

Tabela A.11: Modelo estereótipo com todas as variáveis
geral Coef. Erro padrão z Pr(z) [95% Conf. Interval]

Iimagem -0.79 0.27 -2.88 0.004 -1.321 -0.252
Segurança -0.22 0.26 -0.86 0.39 -0.71 0.29
Propagandas -0.17 0.24 -0.71 0.477 -0.64 0.30
Atenção -0.58 0.24 -2.39 0.017 -1.06 -0.11
Rapidez -0.50 0.26 -1.92 0.055 -1.01 0.01
Gentileza -0.60 0.27 -2.21 0.02 -1.13 -0.07
Interesse -0.78 0.26 -3.01 0.003 -1.30 -0.27
Motivação -0.49 0.29 -1.71 0.087 -1.06 0.07
Cumprimento -0.49 0.25 -1.98 0.048 -0.98 -0.004
Relacionamento -0.78 0.28 -2.79 0.01 -1.32 -0.23
Qualidade -0.44 0.25 -1.75 0.08 -0.93 0.05
Informação -0.67 0.24 -2.77 0.006 -1.15 -0.20
Facilidade -0.23 0.21 -1.09 0.28 -0.650 0.19
Tempo -0.51 .23 -2.20 0.03 -0.98 -0.05
Atendimento -0.90 0.25 -3.58 0.00 -1.40 -0.41
Localização -0.81 0.26 -3.17 0.002 -1.31 -0.31
φ5 1
φ4 0.94 0.05 19.03 0 0.85 1.04
φ3 0.62 0.083 7.41 0 0.45 0.78
φ2 0.26 0.082 3.21 0.001 0.10 0.42
φ1 0 Referência
θ5 -25.01 3.33 -7.51 0 -31.54 -18.48
θ4 -21.81 3.07 -7.10 0 -27.83 -15.79
θ3 -14.02 3.05 -4.61 0 -19.99 -8.06
θ2 -4.83 2.10 -2.30 0.022 -8.95 -0.71
θ1 0 Referência

Anexo B
QUESTIONÁRIO
Em virtude da culminação do curso em frequência, neste caso, Licenciatura em Estatı́stica, estou

realizando uma investigação com objectivo de Avaliar os factores que determinam à satisfação dos
estudantes universitários aos serviços bancários do Milennium Bim na Cidade de Maputo. Deste
modo, por este meio venho como inqueridor pedir a sua contribuição preenchendo o presente ques-
tionário em caso de ser cliente de Milennium Bim e com pelo menos um tipo de cartão.
Dados gerais do cliente
Feminino
Sexo Masculino
18-25
Idade(Anos) 25-35
35-45
Mais de 45
Inferior a 1000Mt
1000-5000Mt
Rendimento mensal do agregado: 5001-15000Mt
15001-40000Mt
Superior a 40000Mt
1a3
3a5
Ha quanto tempo é cliente do Bim? (anos)
5a8
mais do que 8
52
Faculdade de Agronomia e Engenharia Florestal Faculdade de Filosofia

Faculdade de Arquitetura e Planeamento Fısico Faculdade de Letras e Ciencias Sociais
Faculdade de Ciência Faculdade de Medicina
Faculdade de Direito Faculdade de Veterinaria
Faculdade de Economia Escola de Comunicação e Arte
Faculdade de Educação Escola Superior de Ciência e Desporto
Faculdade de Engenharia
Marque com X na pontuação que melhor reflete o seu grau de satisfação (Ex.4: Sinto-me satisfeito), onde:
5. Muito satisfeito 4. Satisfeito 3. Indiferente 2. Insatisfeito 1. Muito insatisfeito
1. Satisfação com a imagem do banco 1 2 3 4 5

2. Segurança nos recintos pertencentes ao Bim. 1 2 3 4 5
3. Propagandas pelo meio televisivo, rádio, jornais e.t.c. 1 2 3 4 5
4. Atenção dispensada aos clientes sem distinção. 1 2 3 4 5
5. Rapidez e dinamismo dos funcionários. 1 2 3 4 5
6. Gentileza, educação e cortesia dos fucionários no atendimento. 1 2 3 4 5
7. Interesse do funcionário em resolver os problemas. 1 2 3 4 5
8. Motivação dos Funcionários no atendimento. 1 2 3 4 5
9. Cumprimento dos horários e os prazos. 1 2 3 4 5
10. Relacionamento com os clientes. 1 2 3 4 5
11. Qualidade dos produtos e serviços do banco. 1 2 3 4 5
12. A qualidade e clareza de informação sobre produtos e serviços disponiveis. 1 2 3 4 5
13. Facilidade na abertura e movimentação da conta. 1 2 3 4 5
14. Tempo de espera nas filas. 1 2 3 4 5
15.Atendimento no caixa de tesoraria. 1 2 3 4 5
16. Localização de terminais de auto-atendimentos. 1 2 3 4 5
Avaliação geral da Istituição bancária Millennium BIM.

Avaliando de um modo geral os serviços prestados pelo MiLlennium
1 2 3 4 5
BIM que pontuação de satisfação oferece.

Avaliac Ao Dos Factores Que Determinam 'A Satisfac Ao Dos Clientes Do Millennium BIM Na Cidade de Maputo, Uma Abordagem Aos Modelos Multinomiais

Enviado por

Direitos autorais:

Formatos disponíveis

Avaliac Ao Dos Factores Que Determinam 'A Satisfac Ao Dos Clientes Do Millennium BIM Na Cidade de Maputo, Uma Abordagem Aos Modelos Multinomiais

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Avaliac Ao Dos Factores Que Determinam 'A Satisfac Ao Dos Clientes Do Millennium BIM Na Cidade de Maputo, Uma Abordagem Aos Modelos Multinomiais

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE EDUARDO MONDLANE

Trabalho de Licenciatura em Estatı́stica

Avaliação dos factores que determinam à satisfação

Autor: Ernesto Júnior Nhar

Trabalho de Licenciatura em Estatı́stica

Avaliação dos factores que determinam à satisfação

Autor: Ernesto Júnior Nhar

(Ernesto Júnior Nhar)

Autor: Nhar, Ernesto Júnior i UEM-2017

Dedico o presente trabalho

Autor: Nhar, Ernesto Júnior ii UEM-2017

~ A todos os docentes do Departamento de Matemática e Informática eu agradeço pelo carrinho

Autor: Nhar, Ernesto Júnior iii UEM-2017

AIC Akaike Information Criteria

ATM Automatic Trasfer Machine

BCV Banco de Cabo Verde

BIC Critério de Informação Bayesiana

MCLB Multinomial Categórico de Linha de Base

MOCA Modelo Ordinal de Categorias Adjacentes

MOCC Modelo Logı́stico de Chances Contı́nuas

MRL Modelos de Regressão Logı́stica

RLM Regressão Logı́stica

RLOE Regressao Logı́stica Ordinal Estereótipo

TRV Teste da Razão de Verossimilhança

UEM Universidade Eduardo Mondlane

Tabela 3.1 Designações das variáveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

Tabela 4.1 Estatı́sticas descritivas para a satisfação geral dos clientes . . . . . . . . . . . 34

Tabela A.1 Estratos dos estudantes dentro de cada Faculdade ou Escola . . . . . . . . . . 46

Figura 4.1 Rendimento médio mensal do estudante inquerido . . . . . . . . . . . . . . . 32

Palavras Chave: Bancos, clientes, serviços, Multinomial, Ordinal e satisfação.

Autor: Nhar, Ernesto Júnior vii UEM-2017

2.8.1 Modelos de Regressão Logı́stica binária . . . . . . . . . . . . . . . . . . . . 14

4 Análise e discussão dos resultados 32

Autor: Nhar, Ernesto Júnior i UEM-2017

Segundo Hausknecht (1990), a qualidade geral dos serviços, o atendimento de expectativas e a

1.2 Definição do problema

• Verificar se existe difrerenças nas variáveis demográficas e socio-económica em relação a

Autor: Nhar, Ernesto Júnior 2 UEM-2017

1.4 Relevância do estudo

1.5 Estrutura de trabalho

Autor: Nhar, Ernesto Júnior 3 UEM-2017

2.2 Serviços bancários

• Depósitos: contas correntes ou de poupança abertas pelos agentes económicos e público em

• Operações diversas: aceitação de cheques, transferências entre contas correntes e pagamentos;

• Aluguer de cofres para guarda de valores;

• Operações de câmbio: compra e venda de moeda estrangeira;

• Emissão de cartões de crédito e de débito.

Os bancos de investimento são instituições financeiras privadas especializadas em operações de participação

Autor: Nhar, Ernesto Júnior 5 UEM-2017

A satisfação é a condição mı́nima indispensável para elogiar ou recomendar o prestador do serviço a

Autor: Nhar, Ernesto Júnior 6 UEM-2017

Segundo Kloter (1998), pessoas bem treinadas exibem no mı́nimo 5 caractesristicas:

• Compentencia: Os funcionários possuem habilidades, experiências e os conhecimentos exigi-

• Credibilidade: Trata-se da total confiança com os funcionários;

• Confiabilidade: Desempenham o serviço com consistência e cuidado;

• Responsabilidade: Os funcionários respondem facilimente as solicitações e aos problemas dos

Autor: Nhar, Ernesto Júnior 7 UEM-2017

2.4 Antecedentes da satisfação do cliente

2.4.1 Qualidade de Serviço

gk1 ≡ gk1 (X) = βk0 X10 + βk1 X11 + . . . + βkp X1p + 1

gk2 ≡ gk2 (X) = βk0 X20 + βk1 X21 + . . . + βkp X2p + 2