PONTIFÍCIA UNIVERSIDADE CATÓLICA DO PARANÁ - PUCPR

5.12, 5.14, 5.17, 5.18, 5.19 e 5.20. Ao analisar as variáveis 5.3, 5.8 e 5.16, que
faziam parte do terceiro fator, verificou-se que não fazia sentindo, pois as técnicas
operacionais que representam possuem relação direta com o primeiro fator. O
segundo fator é composto pelas variáveis 5.4, 5.9, 5.10, 5.11 e 5.15. As variáveis
5.1, 5.6 e 5.13 foram excluídas, pois não integravam nenhum fator. A partir da
exclusão das variáveis acima, foi recalculado o alfa de Cronbach, mas os resultados
não apresentaram diferenças significativas. Por fim, pode-se gerar uma nova relação
entre a competência em CM, os habilitadores, os fatores e as variáveis de pesquisa
(Figura 4.8).
135
O próximo passo dessa pesquisa foi a validação final do modelo com o uso de
equações estruturais a partir do algoritmo de mínimos quadrados parciais (PLS).
Esse método de análise não exige um grande volume de dados para realizar a
análise. Wynne W. Chin e Peter R. Newsted (HOYLE, 1999) salientam que alguns
casos apresentam bons resultados com apenas 15 respostas. Devido ao estudo
possuir poucas respostas (25 respostas, sendo 5 respostas de cada habilitador), a
abordagem por PLS é mais adequada. Diferentemente de outras abordagens, o
objetivo do PLS é a predição, ou seja, o algoritmo PLS tenta obter as estimativas de
melhor peso para cada bloco de indicadores que correspondem às variáveis
latentes. O algoritmo utilizado nessa pesquisa foi o Centroid Weighting Scheme, que
é o procedimento original utilizado primeiramente no PLS. Essa abordagem é
considerada vantajosa quando a matriz de correlação das variáveis latentes é
singular (HOYLE, 1999). Ademais, Hoyle (1999) salienta que existem três tipos de
esquema para estimar via PLS (centroid, fator e path), mas verifica-se que o
esquema tem pouca influência nos resultados. O software utilizado para fazer a
análise foi o Smart PLS. Por meio deste, foi possível criar o chamado PLSPM
(Partial Least Square Path Modeling), que representa a relação existente entre os
habilitadores e a competência em Customização em Massa.
Criou-se uma relação em que os habilitadores influenciam um ao outro e
também geram a competência em CM (Figura 4.9). Nessa representação, cada valor
apresentado nas variáveis latentes (círculos) representa o coeficiente de
determinação (R²). Portanto, a partir do diagrama de caminhos, pode-se verificar que
o habilitador Marketing & Vendas (M&V) não é predito por outras variáveis latentes
(habilitadores), pois se considera que esse habilitador traz informação para o
sistema, relacionando-se diretamente com os habilitadores Projeto de Produtos