Conjoint analysis: o que é e como usar na pesquisa

Perguntar diretamente "qual atributo é mais importante para você?" quase sempre gera a mesma resposta: tudo é importante. O conjoint analysis resolve isso de outro jeito — em vez de pedir opinião sobre cada característica isolada, ele apresenta produtos completos e observa as escolhas. É lendo os trade-offs que a pessoa faz na prática que a técnica revela quanto cada atributo, e cada nível de preço, realmente vale.

O que é análise conjunta (conjoint)

Conjoint analysis (ou análise conjunta) é uma técnica quantitativa que mede como as pessoas valorizam os diferentes atributos de um produto ou serviço. A ideia central é simples e poderosa: em vez de avaliar características uma a uma, o respondente escolhe entre combinações realistas — pacotes com preço, marca, funcionalidades e outras características juntas. Como toda escolha implica abrir mão de algo, essas decisões expõem os trade-offs que a pessoa faz e permitem estimar o peso de cada atributo.

O resultado é mais próximo do comportamento real de compra do que uma pergunta de importância declarada. Ninguém, na vida real, escolhe "a característica mais importante"; escolhe entre produtos inteiros, cada um com prós e contras. Ao reproduzir esse dilema, o conjoint consegue medir, entre outras coisas, a disposição a pagar por cada benefício — quanto de preço a mais o mercado aceita para ganhar determinada funcionalidade.

Como funciona: atributos, níveis e cenários de escolha

Um estudo de conjoint começa definindo dois blocos:

• Atributos — as dimensões do produto que você quer testar (por exemplo: preço, tamanho, marca, prazo de entrega).
• Níveis — os valores possíveis de cada atributo (o atributo "preço" pode ter os níveis R$ 19, R$ 29 e R$ 39; a "marca" pode ter três marcas concretas).

A partir dessa matriz, um desenho experimental combina atributos e níveis em cenários de escolha. Em cada tela, o respondente vê um pequeno conjunto de opções — cada uma é um produto completo, montado com uma combinação diferente de níveis — e indica qual escolheria (ou marca "nenhuma delas"). Repetindo isso por várias telas, cada participante entrega uma sequência de decisões. Modelos estatísticos usam esse padrão de escolhas para estimar quanto cada nível puxa a preferência para cima ou para baixo.

Tipos de conjoint

Existem algumas variações da técnica, e vale conhecer as principais em termos gerais:

• CBC (choice-based conjoint) — o formato mais usado hoje. O respondente escolhe entre conjuntos de opções, tarefa que imita bem a decisão de prateleira. É a base para simuladores de participação e para estudos de preço.
• Conjoint tradicional (ratings/rankings) — versão mais antiga, em que a pessoa avalia ou ordena perfis de produto um a um, em vez de escolher entre conjuntos.
• ACBC (adaptive choice-based conjoint) — variante adaptativa que ajusta as telas conforme as respostas anteriores, costumando lidar melhor com muitos atributos.

Para que serve

O conjoint responde a perguntas de negócio muito concretas:

• Preço — estimar sensibilidade a preço e disposição a pagar, e simular como a preferência muda em diferentes patamares. É por isso que ele aparece com frequência ao lado de outros métodos de pesquisa de preço.
• Design de produto — comparar configurações possíveis e identificar qual combinação de níveis gera a oferta mais atraente.
• Priorização de features — decidir quais funcionalidades entram (ou saem) de um produto, com base no peso que cada uma tem na escolha.
• Segmentação — descobrir que grupos valorizam atributos diferentes, orientando linhas de produto e comunicação distintas.

Como se lê o resultado

A saída de um estudo de conjoint tem dois números-chave:

• Utilidades (part-worths) — o valor estimado de cada nível de cada atributo. Quanto maior a utilidade, mais aquele nível puxa a preferência. Elas são relativas: o que interessa é a diferença entre os níveis de um mesmo atributo, não o número absoluto.
• Importância relativa — o peso de cada atributo na decisão, derivado da amplitude das utilidades (a distância entre o melhor e o pior nível daquele atributo). Costuma ser expressa em percentual, somando 100% entre todos os atributos.

Para tornar isso concreto — e apenas de forma ilustrativa, sem representar nenhum estudo real — imagine uma tabela de importância relativa como esta:

A leitura seria: neste exemplo fictício, o preço domina a decisão, a marca pesa cerca de metade disso e o prazo de entrega mal mexe na escolha. Com as utilidades por trás desses pesos, dá para montar simuladores: definir um produto hipotético, mudar um nível e observar como a preferência estimada se desloca.

Cuidados ao desenhar o estudo

1. Número de atributos — quanto mais atributos e níveis, mais complexa a tarefa e maior a carga cognitiva. Estudos sobrecarregados levam o respondente a simplificar (por exemplo, olhando só o preço), o que degrada a qualidade dos dados. Comece pelos atributos que realmente decidem a compra.
2. Níveis realistas — combinações impossíveis ou preços fora da realidade confundem quem responde e distorcem as utilidades.
3. Amostra — como as estimativas vêm de um modelo, subgrupos pequenos geram utilidades instáveis. Planeje a amostra pensando nos recortes que você vai querer analisar depois.

Conjoint, MaxDiff e priorização

O conjoint costuma ser confundido com o MaxDiff, e os dois de fato se aproximam por forçarem trade-offs em vez de coletar notas isoladas. A diferença é de objetivo: o MaxDiff ordena itens soltos (mensagens, benefícios, funcionalidades) por importância, sem montar produtos nem preço; o conjoint modela produtos completos, com atributos combinados, e é o que permite estimar disposição a pagar e simular cenários. Uma regra prática: se você quer priorizar uma lista, MaxDiff; se precisa configurar um produto e testar preço, conjoint. Seja qual for a técnica, os achados só viram decisão quando entram no fluxo mais amplo de análise de pesquisa de mercado, cruzados com perfil, segmentos e o restante do estudo.

Leia também