Como é trabalhar aí? 3.0 — Uma análise de dados

Pedrenrique
Apr 22, 2019 · 13 min read

//Estudo em co-autoria com a Ingrid Natasha

Teve gente achando ainda que o 2019 estava muito parado então eis o seu retorno; a terceira edição da já conhecida lista de comentários sobre agências de publicidade. Uma iniciativa que mistura opinião, comparação e pesquisa para o mercado e claro, muita exposição de profissionais e práticas nem tão profissionais assim.

A planilha

Se uma iniciativa de Interação espontânea; Registro anônimo; Livre expressão e, sobre Experiências de profissionais atuando na área de agências de publicidade chega a seu terceiro ano de atividade (2016,2018,2019), há algo a ser observado quanto ao comportamento de participação com a planilha.

Sobre a amostra: versão 3.0 da planilha, conta com três campos de preenchimento obrigatório; nome da Agência, Cidade e Comentário (texto livre)[1].

Evolução ano a no de comentários nas planilhas “Como é trabalhar aí”. Elaboração do autor

Primeira edição (2016): 541 comentários na planilha;

Segunda edição (2018): 2.533 comentários;

Terceira edição (2019): 7.407 comentários (15/abril)

Por que é relevante esta observação? Ainda que informal e não oficial, é um indicador de opinião pública dentro do segmento de profissionais de publicidade/agências de propaganda.

Mais do que isso é nítido como a evolução de uma versão para outra sugere a popularização da iniciativa. Da primeira para a segunda edição, o volume de comentários mais que quadruplicou e, da segunda para a terceira, ele quase triplicou. Ainda que a variação 2018–2019 tenha sofrido queda (%), o volume de comentários continuou subindo significativamente, indicando que o assunto ainda não está saturado para quem pertence ao mercado.

Em 20/03 — lançamento planilha: 2.979 comentários

Em 01/04- após duas semanas: 7.371 comentários

ANÁLISES TEXTUAIS E AS AGÊNCIAS:

Nuvem geral de 7,3 mil comentários

Antes de aprofundar as particularidades das principais agências de publicidade mencionadas na planilha 2019, buscou-se uma análise ampla corpus textual em formato de nuvem de palavras; o objetivo aqui é um panorama inicial de o quê e como os comentários foram construídos.

Estão representadas aqui as 55 palavras mais frequentes de todos os comentários. As maiores palavras da figura representam os termos de maior ocorrência.

Em primeira instância destacam-se os termos agência (2.344 ocorrências), pessoas (1.244), funcionários (960), gente (839) e trabalhar (735). Fica claro aqui como a discussão é baseada em três âmbitos: (i.) O ambiente empresa; (ii.) Colaboradores e; (iii.) Atividades e ocupações.

Além destes três núcleos de tópicos, é possível perceber a ocorrência de termos que descrevem áreas das agências (especialidades), “públicos internos de interesse” como chefes e clientes e, também, termos sensíveis sobre ocorrências negativas dentro do ambiente de trabalho.

Partindo deste ponto, a análise a seguir irá contemplar: as particularidades e semelhanças entre as agências mais comentadas; o universo de menções para cada macro-departamento de uma agência: Atendimento, Conteúdo, Criação, Mídia, Planejamento e RH; o universo de menções a “chefes e clientes” e por fim; uma exploração aos temas mais sensíveis (negativos) e positivos mencionados com maior frequência nos comentários.

Mais de 1.525 nomes nomes válidos de agência foram contabilizados antes de serem agregados entre seus equivalentes. Destas, 75 agências tiveram ao menos 20 comentários diferentes.

Buscamos um paralelo entre “quantidade e qualidade” das menções para cada agência [2]. O tamanho de cada bolha (agência) diz respeito a média de caracteres por comentário.

Mapa de agências: volume de comentários por tamanho textual dos comentários

As agências que estão posicionadas acima da linha tracejada indicam as que têm comentários mais longos e densos que o restante da amostra e, portanto, são as agências que mais engajaram proporcionalmente.

Ordenando o ranking por tamanho textual dos comentários temos um novo Top 10: RAI (25.826 caracteres), Sapient AG2 (24.132), BETC (22.001), REF+(20.781), Jussi (19.268), SA365 (18.670), Publicis (17.599), New Vegas (17.194), Mutato (17.106) e, Sunset (16.461).

Já as agências que têm a linha tracejada passando sobre sua bolha indicam aquelas que atenderam a proporcionalidade média entre volume e tamanho dos comentários, como foi o caso das agências Sunset, Publicis, Jussi e BETC.

Mas e se ordenássemos o ranking de uma forma mais contemporânea? Suponhamos que esses comentários, ao invés de virem em uma planilha, viessem em formato de tuítes.

Ao considerar a média de caracteres por comentário, chegamos a três agências que precisariam mais que um único tuíte (>280 caracteres) para registrarem cada uma de suas críticas:

Por exemplo, a Grey, a 26° no ranking de volume comentários e 11° pelo tamanho textual (e que portanto não aparece no mapa acima), é a agência com maior média de caracteres por comentário; 336; é dizer que para cada comentário sobre Grey, seria preciso em média, dois tuítes para formar um discurso de opinião.

A New Vegas também é destaque no ranking médio de caracteres por comentário, 291 e, é seguida pela Ampfy (27° pelo volume de comentários) com média de 281 caracteres. Se considerássemos o formato antigo do Twitter -um tuíte de até 140 caracteres no ranking de agências que precisam de mais que um tuíte para cada comentário constariam 28 agências.

Ranking de agências pela média de caracteres por comentário. Tuíte como parâmetros de tamanho textual

Outro cálculo possível para comparar o corpus textual de comentários por agência refere-se ao termo densidade vocabular [3]; indicador de riqueza de vocabulário, por meio da proporção de palavras únicas num texto.

Considerando as principais agências, retratadas na matriz inicial, a densidade média dos comentários é de 0,376. Ou seja, em média, 37% das palavras de todo o corpus são únicas e não se repetem.

Sobre as agências que apresentaram textos mais únicos (maior densidade): VML (43%); Peppery (42%); JWT (41%); Artplan (41%); Z+ (41%).

Na outra extremidade do ranking, as agências com maior repetição de termos em seus comentários, de densidade mais baixa: Grupo RAI (32%); RAPP (33%); BETC (34%); Sapient (34%); SA365 (35%)

Por fim, antes de entrarmos na análise textual de termos que descrevem funções e posições de interesses nas agências, gerou-se uma lista de “palavras únicas mais frequentes por agência”.

Você arriscaria identificar as nuvens de palavras acima com sua respectiva agência?

A listagem de Palavras distintivas (comparadas com o restante do corpus), resume quais termos se repetiram mais de forma única para cada uma das agências, oferecendo um panorama real de onde se encontram os problemas particulares de cada empresa. Como é perceptível a exposição de nomes nessa listagem, optou-se por não explorar as particularidades de cada agência:

Palavras distintivas (comparadas com o restante do corpus):

  1. África: gordilho (7), africa (6), 3am (4), nat (3), lavar (3).
  2. BETC: erh (8), betc (14), ehr (6), board (10), dea (7).
  3. Grupo RAI: burg (18), rai (28), chorando (8), fabio (10), link (5).
  4. GTB: seo (4), ford (4), ux (3), gtb (3), gp (3).
  5. Jussi: lead (4), jussi (5), whp (3), mandou (3), conhecer (3).
  6. JWT: velha (3), piso (3), nois (3), jwt (3), gin (3).
  7. Mutato: diversidade (12), mutato (4), vp (10), sociais (3), preto (3).
  8. Ogilvy: salles (5), fritzen (5), viva (3), situações (3), ogilvy (3).
  9. Peppery: vml (4), jairo (4), convênio (4), cresceu (3), cof (3).
  10. Publicis: humanos (5), respirando (3), mafia (3), leão (3).

PARTES DE UMA AGÊNCIA:

Quais agências falam mais de cada departamento?

Criação (93) é o departamento mais mencionado na amostra das 10 agências analisadas em profundidade. Sua maior incidência são na GTB, BETC, JWT e Mutato.

Recursos Humanos (62) aparece como segundo departamento mais mencionado, com destaque nas agências Grupo Rai e Jussi. Na sequência, Atendimento (60), mais mencionado pelos colaboradores da África e JWT.

Como quarto departamento mais popular nos comentários da planilha, Planejamento (30), área mais mencionada nas agências Mutato e GTB. Fechando as cinco principais áreas, Mídia (29), acaba sendo mais mencionada na Mutato e Ogilvy.

A seguir, as seções de uma agência foram visualizadas a partir de árvores de palavras que têm como ponto de partida (raiz) o nome do departamento analisado [4].

Como é trabalhar aí com/o Atendimento?

Árvore de palavras para a raiz “Atendimento-é”

Como é trabalhar aí com/o Conteúdo?

Árvore de palavras para a raiz “Conteúdo”

Como é trabalhar aí com/o Criação?

Árvore de palavras para a raiz “Criação-é”

Como é trabalhar aí com/o Mídia?

Árvore de palavras para a raiz “Mídia-é”

Como é trabalhar aí com/o Planejamento?

Árvore de palavras para a raiz “Planejamento-é”

Como é trabalhar aí com/o RH?

Árvore de palavras para a raiz “RH-é”

Como é trabalhar aí com as donas e donos das agências?

Árvore de palavras para a raiz “Dona”, “Dono” e “Dono-é”

PROBLEMAS NAS AGÊNCIAS:

Considerando o volume significativo de termos negativos, críticos, ataques, xingamentos, termos ofensivos, sentimento de revolta e até acusações direcionadas, a última parte deste dossiê consiste na observação dos contextos de termos sensíveis.

Árvore de palavras com a raiz “Assédio”

O universo do assédio, protagoniza relatos primeiramente moral e com menor ênfase, casos de assédio sexual. Mesmo assim é nítido para ambas construções como a combinação “assédio moral e sexual” ocorre com ligeira frequência. Os termos assediador/a também são presentes, com maior concentração de relatos sobre atores masculinos.

O uso do termo “machista” supera a frequência de uso do termo “machismo”, diferente do que ocorre no primeiro problema, “assédio”, onde o ato é mais recorrente que o adjetivo. Em primeira instância, o termo “machista” aparece combinado em destaque com “homofóbico”, e com menor destaque, junto também de “racista”.

Entende-se aqui neste caso a construção de uma persona preconceituosa em sua totalidade, não sendo única e exclusivamente uma questão de preconceito de gênero. Mesmo assim, o preconceito de gênero aparece como o mais latente dentro das queixas processadas.

O detalhe da árvore de “machismo” retrata melhor como a combinação de atitudes e personalidade preconceituosa interpessoal se dá pela dialética de Gênero-Raça com o (abuso de) Poder corporativo.

Mais do que casos pontuais de atitudes machistas, o uso dos termos em conjunto permite o entendimento de que são pequenas atitudes diárias, somadas a eventos específicos de maior impacto que servem para construir essa personalidade de um funcionário “assediador”; que usa de seu poder de influência e lugar de fala corporativo para perpetuar ideias e hábitos preconceituosos em conjunto com a deslegitimação da fala das vítimas (possíveis depoentes na planilha).

Árvores textuais com raízes “Machista” e “Machismo”

O padrão de uso do adjetivo “racista” também segue a linha anterior e é falado com maior ocorrência que o nome “racismo”. O nome tem como primeira associação mais relevante a associação ao “machismo e homofobia”, sendo mencionado também assédio; o que indica como as queixas podem ser muito mais homogêneas que segmentadas pela classe da denúncia em si.

No detalhe abaixo, a árvore de termos conectados a “racista” segue o padrão dos demais adjetivos e indica maior objetividade nesta construção do “funcionário preconceituoso” -em sua maioria, funcionários em cargos de chefia e liderança.

Na imagem é possível ler nomes de agências e de profissionais acusados de atitudes preconceituosas. A associação a sócios e donos das empresas é ainda mais latente que menções puras aos cargos gerenciais.

Árvores textuais de raízes “Racismo” e “Racista”

Conforme mencionado, não entramos em detalhes das acusações por fugir do cerne do estudo e principalmente, para evitar a fundamentação de possíveis acusações infundadas. O estudo não se propõe a investigar nem solucionar o que realmente acontece no ambiente das agências, mas foca seus esforços no entendimento e análise de parte da opinião pública trabalhadora deste mercado.

A enxurrada de comentários negativos forçou o estudo a buscar um contraponto na planilha, em busca de comentários positivos. Ainda que o estudo não tenha abordado a classificação de sentimento de cada comentários, buscou-se pelo mesmo processo de árvore textual o mapeamento de termos e conversas positivas sobre a experiência de fazer parte do mercado.

Árvores textuais de raízes “Obrigado/a”

Ao iniciar a análise “positiva” pelo simples termo de agradecimento “obrigado/a” é possível perceber como a ironia e ambiguidade poderiam comprometer uma simples contagem de “termos negativos x positivos”.

Em primeira análise, menções que utilizam o termo “Obrigado/a”, são tão negativas quanto aquelas que destacam termos e acusações de ataque. O sentimento de agradecimento é mais pelos danos e consequências causados pelo trabalho, mais que o reconhecimento de bons momentos e vivências. Tentemos outros termos:

RECONHECIMENTO:

Se não podemos confiar nas ironias do agradecimento, comecemos pelo reconhecimento: “Parabéns” é utilizado para reconhecer pessoas e departamentos com atitude idônea e memorável para colaboradores.

Ainda assim, o termo permite ambiguidades tal como “obrigado/a”, sendo observado o uso conjunto da expressão “parabéns -só que não”. Também se registram aqui parabenizações por atitudes um tanto quanto questionáveis, que mudaram apenas quando houve mudanças sobre responsáveis por agirem de tal maneira.

Já a seleção do termo “oportunidade” desambigua e tira possibilidades de ironia quanto a um feedback positivo das agências e seus líderes. As empresas também são vistas como espaço de crescimento e aprendizagem. Em linhas gerais, estes foram os comentários mais ricos, pois, como a própria essência da planilha remete a comentários mais provocadores e críticos, nestes comentários é possível acompanhar uma linha lógica e apurada de comentários positivos, negativos e neutros que possam descrever com maior realidade a experiência de fazer parte de determinada agência, sem o viés de entre as facilidades em se publicar “ataques e reclamações” e/ou “puxa-saquismo” corporativo.

Interessante detalhar o termo “escola”. Aquilo que era entendido como “oportunidade de crescer/aprender” torna-se em algo mais concreto e propriamente se transforma em um espaço pedagógico profissional. Comentários críticos conectados a experiência positiva de aprendizado, aqui são menos frequentes, resultando em comentários majoritariamente positivos. Mesmo assim, comentários negativos surgem quando se menciona “escola” para comunicar situações pessoais que influenciam ou limitam o trabalho (ex.: “escola dos filhos” e “escola de idiomas”)

Árvore textual para raiz “Escola”

Buscou-se dois adjetivos positivos para avaliar a questão da dependência de comentários negativos mesmo que a partir de feedbacks positivos. Optou-se, dentro dos termos mais frequentes a construção “top” e “ótimo” -esta última com número de ocorrências bem superior ao da primeira.

Árvores textuais com raízes “Top” e “Ótimo”

Ótimo remete a atributos estruturais positivos, como local, ambiente e colegas de trabalho, enquanto “top” responde a atributos mais segmentados e pontuais. Talvez o próprio entendimento linguístico que “top” tem, sugira seu uso para temas mais secundários que aqueles mencionados com o termo “ótimo”.

É notório também como as construções que envolvem “ótimo” são mais desenvolvidas e argumentadas que ao usar “top”. Mais que isso, a própria formalidade do comentário é bastante influenciada pela escolha entre os dois adjetivos.

Árvore textual com a raiz “Melhor-agência”

Realmente buscamos pontos positivos nesta amostra. O que motivou o início do estudo foi o estigma que a planilha tem de “queimação” para com o mercado; mas, em nenhum momento, esperava-se fomentar e acirrar conflitos internos do mercado.

Queríamos mais mostrar o potencial que a estruturação de dados textuais de opinião têm, do que estereotipar um mercado ou danificar a imagem corporativa de empresas e lideranças.

Mais do que isso, queríamos usar a iniciativa como exemplo de possibilidades de entendimento de opinião pública em um contexto fora da tradicional “entrevista face-to-face em pontos de fluxo para avaliar sua satisfação geral com o mercado de trabalho e o atual governo”. Existem diferentes formas de grupos sociais manifestarem suas opiniões de forma autêntica, anônima e orgânica e, por isso, é importante estar atento as possibilidades de crítica e análise que estes comportamentos podem oferecer para uma visão mais macro do cenário brasileiro atual.

Analisamos aqui as principais agências e questionamentos do mercado de publicidade em 2019 sem recrutar perfis e sem veicular questionários estruturados. Estamos atentos a edição 4.0 e ao ano de 2020; seguimos esperançosos pelo bom uso de dados que uma análise consciente e responsável pode fazer a partir de conjuntos de dados abertos e nacionais na internet.

Referências:

[1] Para este estudo, desconsiderou-se menções que não atendessem ao menos ao nome único de uma agência + comentário textual válido.

[2] Para analisar e formalizar esta espécie de ranking de agências, organizou-se a seguinte matriz: Volume de comentários recebidos pela agência (eixo x) pelo Tamanho textual, em carácteres, destes comentários (eixo y).

[3] A densidade consiste no cálculo da proporção de palavras únicas sobre o volume total de palavras de um documento de texto. O indicador é relevante pensando que quanto maior a densidade, menos repetição de palavras há nos comentários, sugerindo ainda maior autenticidade nos textos. Inversamente proporcional, em caso de densidades mais baixas, há a ocorrência de maior repetição de palavras e consequentemente, de ideias.

[4] O método de agregação e visualização em árvore de palavras oferece dois benefícios concretos para o estudo: o entendimento de uso e construção léxica em torno dos termos de interesse e; simultaneamente, oferece um panorama do conteúdo relacionado com o termo raiz (sempre representado em destaque e a esquerda nas imagens).

Você pode saber mais sobre o uso da análise automatizada de texto como métodos de pesquisa e meios de consumo digitais em:

HUMPHREYS, A. e WANG, R. J-H. “Automated Text Analysis for Consumer Research”

E também pode complementar sua leitura com o cenário e conjuntura de desenvolvimento da ferramenta Voyant-Tools aqui!

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store