Análise de drivers: o que mais impacta a satisfação

Toda pesquisa de satisfação mede dezenas de atributos — atendimento, preço, prazo, qualidade, suporte. Mas melhorar tudo ao mesmo tempo é impossível. A análise de drivers responde à pergunta que realmente importa: de tudo o que medimos, o que mais move a satisfação (ou o NPS, ou a recompra)? É o que separa uma lista de notas de um plano de ação com prioridades claras.

O que é análise de drivers

Análise de drivers (em inglês, key driver analysis) é o conjunto de técnicas usadas para identificar quais atributos mais impulsionam um resultado de interesse — tipicamente a satisfação geral, a recomendação (NPS) ou a intenção de recompra. Em vez de olhar cada nota isoladamente, você mede como cada atributo se relaciona com o resultado final e descobre onde está a alavanca.

A lógica é simples: nem todo atributo pesa igual na decisão do cliente. Um item pode receber notas medianas e, ainda assim, ser decisivo para a satisfação; outro pode ir mal na avaliação, mas ter pouca influência sobre o resultado. A análise de drivers separa o que é importante de fato daquilo que apenas parece importante — e é isso que orienta onde investir.

Importância declarada vs. importância derivada

Existem duas maneiras de medir a importância de um atributo, e entender a diferença é o ponto central de tudo:

• Importância declarada (stated) — você simplesmente pergunta ao respondente o quanto cada atributo é importante para ele. É direto e fácil de coletar, mas tem um problema conhecido: as pessoas tendem a dizer que quase tudo é "muito importante", o que achata as diferenças. Além disso, o que declaramos importar nem sempre é o que de fato guia nossa avaliação.
• Importância derivada (derived) — em vez de perguntar, você infere a importância a partir da relação estatística entre a nota de cada atributo e o resultado geral. Se as pessoas que avaliam bem o atendimento também tendem a estar mais satisfeitas no geral, o atendimento tem importância derivada alta — independentemente do que digam.

Na prática, a importância derivada costuma revelar mais. Ela captura o peso real do atributo no resultado, sem depender de o respondente ter consciência (ou vontade de admitir) do que o influencia. É por isso que a maior parte dos estudos sérios de satisfação trabalha com importância derivada — ou combina as duas visões.

Como se faz na prática

O caminho básico da importância derivada tem três passos:

1. Meça o resultado e os atributos na mesma pesquisa. Você precisa da variável dependente (satisfação geral, nota de recomendação, intenção de recompra) e das avaliações de cada atributo que quer testar como possível driver.
2. Relacione cada atributo com o resultado. A forma mais simples é a correlação: para cada atributo, calcula-se o quanto sua nota anda junto com o resultado geral. Quanto mais forte a correlação, maior a importância derivada.
3. Considere os atributos em conjunto (regressão). A correlação olha um atributo por vez. A regressão múltipla vai além: estima o peso de cada atributo controlando os demais, ou seja, o quanto cada um contribui para o resultado além do que os outros já explicam. Os coeficientes (ou pesos padronizados) funcionam como a medida de importância.

Como ler os resultados

A saída de uma análise de drivers é, no fundo, um ranking: cada atributo recebe uma medida de importância (uma correlação, um coeficiente, um peso relativo). Mas importância sozinha não basta para decidir. O insight de verdade aparece quando você cruza importância com desempenho — a nota que o atributo efetivamente recebeu.

A leitura que orienta a ação é esta: procure os atributos de alta importância e baixo desempenho. São eles que mais influenciam o resultado e, ao mesmo tempo, estão indo mal — ou seja, onde uma melhoria tende a render mais. Já um atributo de alta importância e bom desempenho é uma força a proteger; e um de baixa importância, mesmo que a nota seja ruim, raramente merece prioridade.

Veja um exemplo puramente ilustrativo — os números são fictícios e servem só para mostrar o tipo de leitura:

Da tabela à matriz importância × desempenho

Essa forma de cruzar as duas dimensões tem um nome e um formato visual consagrado: a matriz importância × desempenho (também chamada de análise IPA, de Importance-Performance Analysis). Ela coloca a importância em um eixo e o desempenho no outro, dividindo os atributos em quatro quadrantes: priorizar (alta importância, baixo desempenho), manter (alta importância, alto desempenho), baixa prioridade e possível excesso de investimento. A análise de drivers alimenta o eixo de importância dessa matriz — é a base sobre a qual a IPA é construída.

Cuidados que fazem diferença

A análise de drivers é poderosa, mas exige leitura cuidadosa. Três pontos merecem atenção:

• Correlação não é causa. Que um atributo ande junto com a satisfação não prova que melhorá-lo vai aumentar a satisfação. Pode haver uma terceira variável influenciando os dois, ou a relação pode ser inversa (clientes já satisfeitos avaliam tudo melhor, o chamado efeito halo). Trate os drivers como hipóteses fortes a investigar, não como certezas mecânicas.
• Multicolinearidade. Em termos simples: quando dois atributos são muito parecidos entre si (por exemplo, "clareza das informações" e "facilidade de entender o contrato"), eles carregam quase a mesma informação. Numa regressão, isso faz os pesos ficarem instáveis — um pode "roubar" a importância do outro, e pequenas mudanças na amostra viram números bem diferentes. Vale agrupar atributos redundantes ou usar métodos de importância relativa, que lidam melhor com essa sobreposição.
• Base e significância. Uma correlação ou um coeficiente calculado sobre poucos respondentes é frágil. Antes de declarar um driver, confira se a relação é estatisticamente sólida — veja o guia de significância estatística para entender quando uma diferença ou uma relação resiste ao acaso amostral.

Drivers por segmento

Um mesmo atributo pode ser driver decisivo para um público e quase irrelevante para outro: preço pesa mais em segmentos sensíveis a custo; conveniência, em quem tem pouco tempo. Por isso vale rodar a análise não só no total, mas também dentro dos principais segmentos — o mesmo raciocínio da tabulação cruzada. Ver para quem cada driver importa mais transforma um plano genérico em ações dirigidas. O guia de como analisar no AnaliseTAP mostra esse fluxo do arquivo bruto até a leitura dos drivers.

Leia também