Inicio Atrás Adelante

3. El comportamiento de compra

La investigación del cliente interno se hizo a partir de un estudio cuantitativo en el que la información de base para analizar se obtuvo a partir de un cuestionario estructurado aplicado a una muestra de 531 visitantes del centro con suficiente poder de compra. Se optó por escoger sólo a aquellos individuos con edades comprendidas entre los 18 y los 64 años, ya que el gerente del centro consideraba que fuera de este intervalo los clientes ya no tenían, para él, el suficiente poder de compra como para ser considerados poder real y potencial de compra.

La muestra se seleccionó a partir de la aplicación de un sistema de muestreo probabilístico en el que los individuos eran escogidos de forma aleatoria por tránsito de visitantes del centro en diferentes puntos de muestreo. Es decir, los entrevistadores encargados de conseguir la información estaban situados en las diferentes puertas del centro comercial por donde los visitantes podían salir, y éstos eran escogidos de manera aleatoria y sistemática (uno de cada tres individuos). La realización de este trabajo de campo se distribuyó en tres semanas y en diferentes días y horas de la semana para garantizar que todos los visitantes del centro estuvieran representados.

Para garantizar esta representatividad en la elección de la muestra y utilizar los recursos únicamente indispensables, se hizo necesario escoger cuatro días que fuesen los más representativos de la semana (lunes, jueves, viernes y sábado), en las horas del día que había más afluencia (de 12 a 14:30 y de 18:30 a 21:30 h) y desde cualquier punto por donde el visitante podía pasar (por tanto, cualquier puerta por la que podía salir).

Datos Ficha

Figura 1. Distribución de frecuencias simples de las variables de muestreo

PUNTO     PUNTO DE MUESTREO

Value Label 	Value  Frequency  Percent   Valid   Cum
                                          Percent Percent

Puerta A	        1.00     189       35.6      35.6   35.6
Puerta B	        2.00     172       32.4      32.4   68,0
Puerta aparcamiento	3.00     170       32.0      32.0  100.0
                        -------   -------  -------
               	Total	 531	  100.0     100.0

Valid cases  531  Missing cases      0
- - - - - - - - - - - - - - - - - - - - - - - - - - - - -

D_A       DIA DE LA ENTREVISTA

Value Label 	Value  Frequency  Percent   Valid   Cum
                                          Percent Percent
Lunes          1.00     126       23.7     23.7    23.7
Jueves           2.00     126       23.7     23.7    47.5
Viernes        3.00     141       26.6     26.6    74.0
Sábado         4.00     138       26.0     26.0   100.0
                        -------   -------  -------
                Total     531      100.0    100.0

Valid cases     531      Missing cases      0
- - - - - - - - - - - - - - - - - - - - - - - - - - - - -

HORARIO   HORARIO

Value Label 	Value  Frequency  Percent   Valid   Cum
                                           Percent Percent
12:00 a 14:30H   1.00    261       49.2      49.2   49.2
18:30 a 21:30H   2.00    270       50.8      50.8  100.0
                       -------	 -------   -------
                Total    531      100.0     100.0

Valid cases     531      Missing cases      0

Como primera aproximación al análisis de los datos, se hizo un análisis descriptivo. En este sentido, en la figura número 1 se puede ver la distribución aproporcional de la muestra en las variables de muestreo escogidas en el estudio. Prácticamente se distribuyó a partes iguales el mismo número de entrevistas por puerta (un tercio por puerta), por día (una cuarta parte por día) y por horario de visita (una mitad por la mañana y la otra por la tarde). En los histogramas siguientes también podemos ver la distribución de la muestra:

Datos Ficha

A pesar de que en toda la muestra la distribución era aproximadamente idéntica, a partir de las tablas de contingencia de las figuras número 2.1, 2.2 y 2.3 se pueden observar ciertas diferencias de perfil de los visitantes en las variables de muestreo inicial.

Datos Ficha

Figura 2.1. Tabla de contingencia: horario de entrevista por edad del entrevistado

Datos Ficha

Figura 2.2. Tabla de contingencia: día de entrevista por edad del entrevistado

Datos Ficha

Figura 2.3. Tabla de contingencia: punto de muestreo por edad del entrevistado

Con las tablas de contingencia anteriores podíamos observar que, comparativamente, los más jóvenes iban al centro por la tarde (59,6%), y más los jueves y viernes que los otros días. Y los de mediana edad (36 a 45 años), por ejemplo, iban más por la mañana (61,2%) y accedían al centro por el aparcamiento (35%) y por la puerta principal (puerta A, 39,8%).

Sin embargo, al señor Ivars no sólo le interesaba el perfil de su cliente en datos básicos, el gerente quería ir más allá y conocer de manera profunda el comportamiento de compra de su cliente o visitante porque era lo que realmente le podía aportar información relevante para decidir su estrategia de marketing. Una de las informaciones más valiosas que esperaba obtener del estudio era el recorrido de su cliente, es decir, conocer los establecimientos donde compraba habitualmente y aquéllos en los que no compraba.

Era preciso descubrir cuáles de los establecimientos, tiendas o franquicias no mostraban un grado de atractivo suficiente para el visitante y pensar en un posible rediseño del medio de comercialización del centro.

Datos Ficha

Figura 3. Frecuencia multirrespuesta de las variables p14_m1 a p14_m23

Group $ESTA establecimientos del centro donde compra
     (Value tabulated = 1)	
                                     Pct of
                            Pct of   Pct of      Pct of
Dichotomy label      Name   Count    Responses   Cases

HIPERMERCADOS         P14_M1   341      13.7       64.2
CAF REST FFOOD       P14_M2   339      13.6       63.8
PAPELERIA PRENSA     P14_M3    65       2.6       12.2
BANCOS CAJAS         P14_M4    71       2.9       13.4
TIENDAS DE ROPA     P14_M5   334      13.4       62.9
TIENDAS COMPLEM      P14_M6   112       4.5       21.1
HOGAR DECORACION       P14_M7    66       2.7       12.4
CINES                P14_M8   235       9.4       44.3
ALIMENTACION          P14_M9    44       1.8        8.3
JOYERIA              P14_M10   22       0.9        4.1
TINTORERIA           P14_M11   86       3.5       16.2
TIENDA ANIMALES       P14_M12   34       1.4        6.4
FOTOGRAFIA           P14_M13   50       2.0        9.4
SERVICIOS LUDICOS       P14_M14   21       0.8        4.0
ELECTR INFOR        P14_M15   64       2.6       12.1
COSMETICA            P14_M16   28       1.1        5.3
TIENDA TELEFONIA     P14_M17   21       0.8        4.0
MUSICA               P14_M18   42       1.7        7.9
DEPORTES              P14_M19   60       2.4       11.3
OPTICA               P14_M20   32       1.3        6.0
TIENDA JUGUETES      P14_M21   66       2.7       12.4
PARQUE INFANTIL        P14_M22   36       1.4        6.8
APARCAMIENTO              P14_M23  319      12.8       60.1
                             -----     -----     -----
            Total responses  2488     100.0      468.5
0 missing cases;  531 valid cases

Evidentemente, cada visitante iba al centro no sólo para ir a uno solo de sus establecimientos, sino que, una vez hecha la visita, este cliente iba a más de un establecimiento. Por lo que respecta a la media, cada cliente visitaba aproximadamente cinco establecimientos del centro.

A partir de los datos que se muestran en la tabla de frecuencias multirrespuesta número 3, se puede observar que gran parte de los clientes utilizaban el hipermercado (64,2%), las cafeterías, restaurantes y establecimientos de comida rápida (63,8%), las tiendas de moda (62,9%) y el aparcamiento (60,1%). Otro servicio que también era muy utilizado, aunque por un menor porcentaje de clientes, era el cine. Este hecho detectaba un posible punto débil del centro, ya que en la mayoría de los centros con cine éste se configura como una de las locomotoras del centro, junto con el hipermercado.

Evidentemente, esta afluencia de público a los diferentes establecimientos se observaba con muchas diferencias según las características de nuestros clientes. Por ejemplo, si construimos una nueva tabla de contingencia en la que observamos la distribución de los clientes que compraban en los establecimientos según el género (figura número 4), nos damos cuenta de que, comparativamente y de manera relativa, había más mujeres que hombres que compraban en establecimientos como el hipermercado, la tintorería, tiendas de complementos y de decoración o las de alimentación, entre otras, y que los hombres eran más asiduos de los establecimientos de telefonía móvil o de los servicios lúdicos.

Datos Ficha

Figura 4. Subtabla 1. Tabla de contingencia de los establecimientos donde compran según el género de los entrevistados

Figura 4. Subtabla 2. Tabla de contingencia de los establecimientos donde compran según el género de los entrevistados

Datos Ficha

Figura 4. Subtabla 3. Tabla de contingencia de los establecimientos donde compran según el género de los entrevistados

Figura 4. Subtabla 4. Tabla de contingencia de los establecimientos donde compran según el género de los entrevistados

No obstante, el Sr. Ivars no conseguía apreciar suficientes diferencias entre el género de los individuos o entre la edad de los individuos o cualquier otra variable de clasificación básica como para poder emprender acciones de marketing diferenciadas para cada uno de estos públicos.

Los participantes en el proceso de análisis sugerimos al Sr. Ivars que tratase de aislar, segmentar, a sus clientes según los establecimientos donde compraban. Para él resultaba extremadamente interesante poder comprobar algunas de sus hipótesis sobre el comportamiento de compra de los clientes.

Sostenía que había una parte de clientes que sólo visitaban el centro por el hipermercado y, aunque iban también a otros establecimientos del centro, el más importante para ellos, aquello que realmente los motivaba a ir al centro comercial, era comprar en el hipermercado.

De la misma forma, estaba convencido de que tenía visitantes prácticamente exclusivos del cine y que éstos eran bastante homogéneos entre ellos.

La mejor manera de comprobar que realmente había diferentes tipologías de visitantes según el establecimiento donde compraban era intentando segmentar a los clientes en grupos homogéneos (dentro del mismo grupo) y a la vez muy heterogéneos (entre los diferentes grupos) con respecto a los establecimientos donde compraban habitualmente.

Para llegar a una solución de este tipo, se aplicó un análisis tipológico no jerárquico partiendo de la información observada anteriormente, es decir, de los establecimientos donde compraba cada cliente.

Partiendo de una matriz de datos en la que cada individuo se clasificaba de forma dicotómica según si compraba o no en cada establecimiento del centro, podíamos aplicar un análisis tipológico buscando las proximidades entre los individuos con respecto a su perfil de visita de los diferentes establecimientos.

Partiendo de las hipótesis iniciales del Sr. Ivars, se trató de segmentar a los visitantes del centro en sólo dos grupos y de forma libre para comprobar si realmente existían las dos tipologías propuestas por el gerente:

 Los compradores mayoritarios de hipermercado y otros establecimientos, y
 los visitantes del cine y de algún otro establecimiento, pero de manera minoritaria.

A continuación se muestra el resultado obtenido de aplicar un análisis tipológico, también llamado análisis cluster no jerárquico de manera libre y en dos grupos.

Datos Ficha

Figura 5. Análisis cluster no jerárquico de dos grupos con centros de gravedad libres

* * * * * * * * *  Q U I C K  C L U S T E R  * * * * * * * * * *

 Initial Cluster Centers.

  Cluster   P14_M1   P14_M2   P14_M3   P14_M4   P14_M5   P14_M6

        1    .0000    .0000    .0000    .0000    .0000    .0000
        2   1.0000   1.0000   1.0000   1.0000   1.0000   1.0000

  Cluster   P14_M7   P14_M8   P14_M9   P14_M10  P14_M11  P14_M12

        1    .0000    .0000    .0000     .0000    .0000    .0000
        2   1.0000   1.0000   1.0000    1.0000   1.0000   1.0000

  Cluster   P14_M13  P14_M14  P14_M15  P14_M16  P14_M17  P14_M18

        1    .0000    .0000    .0000     .0000    .0000    .0000
        2   1.0000   1.0000   1.0000    1.0000   1.0000   1.0000

  Cluster   P14_M19  P14_M20  P14_M21  P14_M22  P14_M23

        1    .0000    .0000    .0000    .0000    1.0000
        2   1.0000    .0000   1.0000   1.0000     .0000

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Convergence achieved due to no or small distance change.
The maximum distance by which any center has changed is .0855
Current iteration is  5

Minimum distance between initial centers is 4.6904

Iteration   Change in   Cluster Centers
                1          2
     1	     1.2959	    1.9092
     2	      .0188	     .4915
     3	      .0408	     .6077
     4	      .0524	     .4075
     5	      .0240	     .1803

* * * * * * * * * * * Q U I C K   C L U S T E R * * * * * * * * *

 Final Cluster Centers.

   Cluster  P14_M1  P14_M2  P14_M3  P14_M4  P14_M5  P14_M6

      1     .6207   .6099   .0948   .1056   .5841   .1056
      2	    .7761   .8209   .2985   .3134   .9403   .9403

   Cluster  P14_M7  P14_M8  P14_M9  P14_M10  P14_M11  P14_M12

      1     .0560    .3966   .0539    .0237    .1078    .0323
      2     .5821    .7612   .2836    .1642    .5224    .2687

   Cluster  P14_M13  P14_M14  P14_M15  P14_M16  P14_M17  P14_M18

      1     .0409     .0259    .0647    .0129    .0280    .0496
      2     .4627     .1194    .5075    .3134    .1194    .2687

   Cluster  P14_M19  P14_M20  P14_M21  P14_M22  P14_M23

      1     .0668     .0431    .0884     .0517    .5884
      2     .4179     .1642    .3731     .1791    .6866

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

 Number of Cases in each Cluster.

  Cluster   unweighted cases  weighted cases

        1              464.0           464.0
        2               67.0            67.0
  Missing                  0
  Valid cases          531.0           531.0

El resultado demostró que de los dos grupos que había, uno compraba prácticamente en todos los establecimientos y el segundo (el más numeroso) se comportaba como la media del mercado, es decir, compraba principalmente en el hipermercado.

Dado que el resultado del análisis sólo coincidía en parte con las hipótesis del gerente del centro, se optó por explotar la posibilidad de buscar más de dos grupos entre los que pudieran tener lugar los que intuitivamente el Sr. Ivars pensaba que había.

Así, se procedió a comprobar en cuántos grupos realmente se segmentaban sus clientes. De nuevo se llevó a cabo un análisis tipológico no jerárquico en tres, cuatro, cinco, seis y siete grupos y se pudo comprobar que la segmentación encontrada de cinco grupos era la que mejor reflejaba la situación de su centro comercial. En el ámbito estadístico era el que mejor formaba unos grupos homogéneos dentro de cada grupo y más heterogéneos entre los mismos.

A continuación se muestran los resultados obtenidos en el análisis cluster de cinco grupos. La tabla de contingencia que resulta de cruzar los cinco segmentos encontrados a partir del análisis tipológico muestra que los grupos resultantes tienen características muy similares dentro de los mismos grupos.

Datos Ficha

Figura 6. Tabla de contingencia de los cinco grupos encontrados con el análisis cluster, con centros de gravedad libres por las variables utilizadas para crear los grupos (establecimientos utilizados del centro comercial)

El resultado del análisis cluster y la tabla de contingencia posterior nos muestran cuatro grupos bien definidos y un quinto grupo muy similar al grupo 2, en el que prácticamente la mitad o más de sus componentes son usuarios de los establecimientos y servicios del centro comercial. De esta manera podemos observar en la tabla de contingencia lo siguiente:

 El grupo 1 se caracteriza porque prácticamente todos sus integrantes compran habitualmente en el hipermercado pero no utilizan el aparcamiento.
 El segundo grupo, además de comprar principalmente en el hipermercado, utiliza el aparcamiento.
 El tercer grupo está compuesto por clientes que prácticamente visitan todas las tiendas del centro; son lo que podríamos llamar compradores intensivos (heavy users).
 Casi todos los componentes del cuarto grupo, además de no comprar en el hipermercado, compran en tiendas de moda y toman algo en los bares, cafeterías o restaurantes.
 El quinto grupo es muy similar al tercer grupo de los compradores intensivos, pero sólo representa un 2% de los clientes, que en términos absolutos correspondería a diez personas de la muestra, grupo no lo bastante grande para analizar y extraer conclusiones sólidas.

Encontrarnos con un quinto grupo con insuficiente base muestral como para tener entidad propia como tal generaba un problema analítico. Pero había una solución para dicho problema: tratar de reasignar los diez individuos de este grupo en alguno de los cuatro restantes. Podíamos hacer esta operación de manera totalmente subjetiva, es decir, a partir del conocimiento que teníamos del mercado y a partir de los resultados obtenidos en la tabla de contingencia, asignar los individuos del grupo 5 al grupo 3, ya que, en principio, es el que más se le parece. No obstante, había una posibilidad técnicamente más correcta, que consistía en utilizar el análisis discriminante múltiple para reasignar los componentes del grupo quinto a uno de los otros grupos que tuviera el perfil más similar según los establecimientos donde compraba, y eso es lo que hicimos.

El primer paso para reasignar a los individuos es dejar como valor perdido (missing value) la categoría de la variable que los asigna al grupo quinto, y el análisis discriminante dará automáticamente la supuesta pertenencia de estos individuos a otro grupo.

Datos Ficha

Figura 7. Distribución de frecuencias simple de los cinco grupos con el quinto grupo reasignado a valor perdido

SEGES5
                                         Valid      Cum
Value Label  Value   Frequency  Percent  Percent  Percent

               1        134      25.2     25.7     25.7
               2        133      25.0     25.5     51.2
               3        105      19.8     20.2     71.4
               4        149      28.1     28.6    100.0
               .         10       1.9   Missing
                       -------  ------  -------
            Total       531     100.0    100.0

Valid cases     521      Missing cases      10
Datos Ficha

Figura 7. Análisis discriminante múltiple para asignar los valores perdidos al grupo más similar

Following variables will be created upon successful
completion of the procedure:

GRP      --- Predicted group for analysis 1

- - - - -  D I S C R I M I N A N T A N A L Y S I S - - - - -

On groups defined by SEGES5

           531 (Unweighted) cases were processed.
            10 of these were excluded from the analysis.
               10 had missing or out-of-range group codes.
           521 (Unweighted) cases will be used in the analysis.

Number of cases by group

               Number of cases

    SEGES5	Unweighted	Weighted  Label
         1	      134	  134.0
         2	      133	  133.0
         3	      105	  105.0
         4	      149	  149.0

     Total	      521	  521.0

Group means

    SEGES5	P14_M1	P14_M2	P14_M3	P14_M4	P14_M5	P14_M6

         1	.86567	.47761	.06716	.07463	.52239	.17910
         2	.84962	.60150	.14286	.12782	.25564	.02256
         3	.96190	.66667	.12381	.11429	.96190	.51429
         4	.00000	.76510	.11409	.14094	.79866	.14094

     Total	.63340	.62956	.11132	.11516	.62188	.19578

    SEGES5	P14_M7	P14_M8	P14_M9	P14_M10	P14_M11	P14_M12

         1	.08955	.35821	.04478	.04478	.14925	.05224
         2	.04511	.18797	.08271	.01504	.06015	.00752
         3	.29524	.71429	.15238	.01905	.40000	.11429
         4	.04698	.54362	.00671	.02013	.04698	.04027

     Total	.10749	.43954	.06526	.02495	.14779	.04990

    SEGES5	P14_M13	P14_M14	P14_M15	P14_M16	P14_M17	P14_M18

         1	.05224	.01493	.07463	.00746	.05224	.02239
         2	.03008	.00000	.06015	.01504	.00752	.02256
         3	.18095	.05714	.25714	.16190	.03810	.08571
         4	.06711	.06711	.08054	.01342	.02685	.14094

     Total	.07678	.03455	.10940	.04223	.03071	.06910

    SEGES5	P14_M19	P14_M20	P14_M21	P14_M22	P14_M23

         1	.02985	.03731	.05970	.00746	.00000
         2	.09023	.05263	.09023	.10526	.98496
         3	.19048	.07619	.28571	.12381	.89524
         4	.12081	.04027	.06040	.02013	.59732

     Total	.10365	.04990	.11324	.05950	.60269

Classification results -

	               No. of	Predicted Group Membership 
   Actual Group      Cases    1      2         3      4
-------------------  ------ -----  -----    ------- ------

Group       1        134     117      0        0      17
                            87.3%    .0%      .0%   12.7%

Group       2        133       2    110        3      18
                             1.5%  82.7%     2.3%   13.5%

Group       3        105       4      1       98       2
                             3.8%    1.0%   93.3%    1.9%

Group       4        149       0       0       0     149
                              .0%     .0%     .0%  100.0%

Ungrouped cases       10       0       0      10       0
                      .0%     .0%  100.0%     .0%

Percent of "grouped" cases correctly classified:  90.98%

Classification processing summary

       531 (Unweighted) cases were processed.
         0 cases were excluded for missing or out-of-range
           group codes.
       531 (Unweighted) cases were used for printed output.
       531 cases were written into the working file.

Como se puede observar en la matriz llamada de confusión (classification results) del análisis discriminante llevado a cabo, los componentes del grupo 5 que hemos pasado a valores perdidos (ungrouped cases) quedan reasignados al grupo 3. Hemos podido comprobar que la solución que habríamos aplicado haciendo caso a nuestra subjetividad y experiencia habría sido una solución idéntica a la encontrada por la estadística.

A continuación se muestra la distribución de frecuencias simple de la nueva variable de segmentación fruto de la reasignación de los individuos del antiguo grupo 5 al grupo 3.

Datos Ficha

Figura 8. Distribución de frecuencias simple de la nueva variable creada después de la reasignación de los individuos del grupo 5 al grupo 3

SEGES5N      Segmentacióm clientes por establecimientos
                           
Value Label       Value  Frequency  Percent   Valid   Cum
                                             Percent Percent

Hiper+No parking   1.00     123      23.2     23.2    23.2
Hiper+Parking      2.00     111      20.9     20.9    44.1
Heavy user         3.00     111      20.9     20.9    65.0
Moda+Cafe          4.00     186      35.0     35.0   100.0
                          -------  -------  -------
                  Total	    531     100.0    100.0

Valid cases      531   Missing cases    0

Como se puede apreciar en la figura 8, y después de analizar el perfil de cada grupo según los establecimientos del centro donde compraba (figura 6), los grupos se podían bautizar de la manera siguiente:

 Grupo 1: compradores del hipermercado que no utilizan el aparcamiento (probablemente porque residen muy cerca del centro).
 Grupo 2: compradores del hipermercado que utilizan mayoritariamente el aparcamiento.
 Grupo 3: compradores intensivos, prácticamente compran en todas las tiendas y utilizan todos los servicios del centro.
 Grupo 4: compradores de productos de moda que, además, suelen tomar algo en los bares, cafés o restaurantes del centro.

A pesar de tener características de comportamiento de compra lo bastante diferenciadoras para caracterizar los diferentes segmentos encontrados, era preciso estudiar a fondo cómo era cada uno de éstos para intentar, en el futuro, adaptarse a sus demandes más específicas.

A continuación se muestra el perfil de estos segmentos:

 por edad (con medidas de centro y dispersión),
 por género (con una tabla de contingencia), y
 por tiempo que tardan en llegar al centro (con una tabla de contingencia por intervalos y una tabla con medias y desviaciones para la variable continua).
Datos Ficha

Figura 9. Tabla de medias de edad de los entrevistados para cada segmento encontrado

              - - Description of Subpopulations - -

Summaries of	F2	Edad
By levels of	SEGES5N	Segmentación clientes por establecimientos

Variable Value   Label          Sum   Mean   Std Dev Variance Cases

For Entire Population        18559.00 34.9510 12.0939 146.2617 531

SEGES5N 1.00 Hiper+No parking 4789.00 38.9350 12.6275 159.4548 123
SEGES5N 2.00 Hiper+Parking    4261.00 38.3874 10.4926 110.0940 111
SEGES5N 3.00 Heavy user       4035.00 36.3514 10.9890 120.7572 111
SEGES5N 4.00 Moda+Cafe        5474.00 29.4301 11.2758 127.1437 186

    Total Cases = 531
Datos Ficha

Figura 10. Tabla de contingencia de género por segmentos encontrados

Datos Ficha

Figura 11. Tabla de contingencia del tiempo que tarda en llegar al centro (en intervalos) por segmentos encontrados

Datos Ficha

Figura 12. Tabla de medias de tiempo que tarda en llegar al centro por segmentos encontrados

              - - Description of Subpopulations - -

Summaries of	P9N	Tiempo (min) tarda en llegar al C.C. SAN
By levels of	SEGES5N	Segmentación clientes por establecimientos

Variable Value    Label              Mean    Std Dev  Cases

For Entire Population              12.8569   10.1926   531

SEGES5N   1.00  Hiper+No parking   11.6829   10.1014   123
SEGES5N   2.00  Hiper+Parking      12.8559    9.7690   111
SEGES5N   3.00  Heavy user          9.6937    5.9296   111
SEGES5N   4.00  Moda+Cafe          15.5215   11.7741   186

    Total Cases = 531
Inicio Atrás Adelante Arriba