Autor: Paulo Henrique Costa
Uma questão recorrente no mundo nos negócios é saber quais atributos de um produto são mais valorizados pelos clientes. O que eles levam em conta ao optarem por nosso produto e não pelo concorrente? Com que peso? Em que ordem de importância?
Uma técnica estatística utilizada para responder a esse tipo de pergunta é técnica multivariada Conjoint Analysis.
Esta técnica, baseada no design de pesquisa conhecido como experimento, relaciona uma variável dependente (métrica ou não), ou seja, o fenômeno ao qual se deseja investigar, como por exemplo o grau de preferência de consumidores por uma determinada configuração de um produto, com múltiplas variáveis independentes não métricas, ou seja, os fatores que determinam a variável dependente.
Na Conjoint Analysis, determinam-se os atributos, seus níveis de medida e as combinações entre eles que formam os perfis, sendo utilizados como estímulos, apresentados aos consumidores para comparação, sendo que, em seu método mais comum, os respondentes estabelecem uma ordenação das melhores para as piores combinações apresentadas.
Por exemplo, digamos que um gerente de Marketing de uma empresa de refrigerantes deseje saber quais os fatores, em que ordem e com que peso, levam as pessoas a preferirem um refrigerante e não um outro.
Com base em sua experiência e nos elementos disponíveis para oferta dos produtos ele avalia que os fatores mais importantes para escolha de um refrigerante são: o produto, se é um refrigerante Cola ou Guaraná; a embalagem, garrafa ou lata ou o tipo, se é Normal ou Diet.
Dessa forma, com três fatores de dois níveis cada, podemos estabelecer oito combinações diferentes de produtos:
Produto x Embalagem x Tipo
2 x 2 x 2 = 8
Nosso exemplo é bastante simples, apenas três fatores com dois níveis cada, nesse caso, pode-se convidar alguns clientes escolhidos de forma aleatória dentro do público-alvo da empresa de refrigerantes para avaliar como eles ordenariam, do melhor para o pior, todas as oito combinações possíveis de refrigerantes, por meio de oito cartões com cada uma das combinações possíveis, obtendo-se para cada cliente um ordenamento dos perfis, mais ou menos da seguinte forma:
| Perfis | Produto | Embalagem | Tipo | Ordem |
| Cart1 | Cola | Garrafa | Normal | |
| Cart2 | Guaraná | Garrafa | Normal | |
| Cart3 | Cola | Lata | Normal | |
| Cart4 | Guaraná | Lata | Normal | |
| Cart5 | Cola | Garrafa | Diet | |
| Cart6 | Cola | Lata | Diet | |
| Cart7 | Guaraná | Garrafa | Diet | |
| Cart8 | Guaraná | Lata | Diet |
Em uma situação mais complexa, com mais fatores e mais níveis associados ao produto, haverá uma quantidade muito grande de combinações e a ordenação de todos os perfis se tornará exaustiva para os clientes. Nesse caso, o Gerente de Marketing teria que escolher aquelas que ele julga serem as combinações mais representativas do que ele poderá oferecer na prática para o seu mercado.
Voltando ao nosso exemplo, digamos que a equipe de Marketing da empresa tenha conseguido obter dez respostas, tabuladas da seguinte maneira:
| Cart1 | Cart2 | Cart3 | Cart4 | Cart5 | Cart6 | Cart7 | Cart8 | |
| 1 | 1 | 2 | 5 | 6 | 3 | 4 | 7 | 8 |
| 2 | 1 | 2 | 3 | 4 | 7 | 5 | 8 | 6 |
| 3 | 2 | 1 | 4 | 3 | 7 | 8 | 5 | 6 |
| 4 | 4 | 3 | 1 | 2 | 6 | 5 | 8 | 7 |
| 5 | 6 | 4 | 5 | 1 | 8 | 7 | 3 | 2 |
| 6 | 1 | 2 | 5 | 6 | 3 | 4 | 7 | 8 |
| 7 | 1 | 3 | 5 | 6 | 2 | 4 | 7 | 8 |
| 8 | 1 | 5 | 2 | 6 | 3 | 4 | 7 | 8 |
| 9 | 1 | 2 | 5 | 6 | 3 | 4 | 7 | 8 |
| 10 | 1 | 2 | 3 | 4 | 7 | 5 | 8 | 6 |
Nosso exemplo é realmente muito simples e até visualmente podemos observar que o perfil 1 (Cola-Garrafa-Normal) tem boa avaliação de boa parte dos clientes, enquanto o perfil 8 (Guaraná-lata-Diet) tem uma preferência baixa por boa parte deles, mas com uma amostra maior e uma quantidade maior de fatores, por meio da Conjoint Analysis pode-se obter informações preciosas sobre o quanto pesa cada um desses atributos por parte de toda uma população representada por uma amostra devidamente escolhida.
A Conjoint Analysis utiliza-se de técnicas de regressão, e de comparação de médias por meio de suas variâncias (Analysis of variance – ANOVA) além de outro método e como os fatores são avaliados simultaneamente, cada resposta obtida pode ser considerada um modelo e a análise conjunta de várias respostas obedece a uma técnica chamada de modelagem por composição. Diferente do que ocorre com outras técnicas de análise multivariada, na Conjoint não existem muitas premissas como a normalidade, homoscedasticidade e a independência entre os fatores, sendo uma técnica considerada bastante flexível. Felizmente a maioria dos softwares estatísticos nos trazem a possibilidade de fazer isso facilmente para uma quantidade razoável de clientes pesquisados. Vamos mostrar o passo a passo de como se faz a Conjoint Analysis em um deles, o SPSS (versão 23).
Passo 1 – Criando o arquivo ortogonal do plano para a Conjoint Analysis:
No menu principal do SPSS clicar em Dados -> Desenho Ortogonal -> Gerar
Na caixa fator, incluir cada um dos Fatores que devem ser combinados, no nosso exemplo: Produto, Embalagem e Tipo. Depois devem ser definidos os valores para cada um dos Fatores no botão “Definir Valores”, logo baixo: Cola ou Guaraná para Produto e assim para cada um deles.
Em seguida, deve-se criar o arquivo para armazenar as informações do plano, na opção “Criar um novo arquivo de dados” e clicando no botão “Arquivo”, escolha o caminho em seu computador onde ele será armazenado. Normalmente damos a este arquivo um nome iniciado por “Plan” e ele fica armazenado na mesma pasta que o arquivo base com as informações resultantes da pesquisa com os cartões e os dez clientes, em nosso exemplo.
Especificado o caminho do arquivo, clique no botão “Colar” logo ao lado do OK.
Deve abrir-se uma nova janela de Sintaxe do SPSS com o seguinte código:
ORTHOPLAN
/FACTORS=Produto (1 ‘Cola’ 2 ‘Guarana’) Embalagem (1 ‘Garrafa’ 2 ‘Lata’) Tipo (1 ‘Normal’ 2
‘Diet’)
/OUTFILE=’C:\Users\paulo_000\Dropbox\bases\refrigerantes.sav’.
Selecione o código inteiro e clique no botão verde em formato de Play, para rodar e pronto, o arquivo com os parâmetros da Conjoint Analysis estará criado
Passo 2 – Rodando a Conjoint Analysis
Abra no SPSS o arquivo com o resultado da tabulação das dez respostas referentes aos oito perfis, conforme tabela acima, que deve ser gravado na mesma pasta do arquivo do plano no formato do SPSS (.sav)
Com o arquivo aberto, clique em Arquivo->Novo-> Sintaxe.
Na área a direita, você deve escrever o código abaixo, com o caminho dos dois arquivos, o do plano e o da base, com os dados do resultado da pesquisa tabulada:
CONJOINT PLAN=’C:\Users\paulo\bases\plan_refri.sav’
/DATA=’C:\Users\paulo\bases\refrigerantes.sav’
/SEQUENCE=Cart1 TO Cart8
/FACTORS=Produto
Embalagem
Tipo
/PRINT=SUMMARYONLY
/UTILITY=’C:\Users\paulo\bases\utility.sav’
/PLOT=ALL
O último arquivo mapeado é o Utility.sav que será criado e conterá o resultado da Conjoint Analysis.
Selecione o código inteiro e clique no botão verde em formato de Play, para rodar o modelo e pronto, está feita a Conjoint Analysis.
Passo 3 – Analisando os dados de saída.
Primeiro, o SPSS nos informa as estimativas para inferência dos valores populacionais de cada um dos dados
| Utilitários | |||
| Estimativa de utilitário | Erro Padrão | ||
| Produto | Cola | 1,200 | ,538 |
| Guarana | -1,200 | ,538 | |
| Embalagem | Garrafa | ,275 | ,538 |
| Lata | -,275 | ,538 | |
| Tipo | Normal | ,225 | ,538 |
| Diet | -,225 | ,538 | |
| (Constante) | 4,500 | ,538 | |
Depois os scores de importância de cada um deles
| Valores de importância | |
| Produto | 70,588 |
| Embalagem | 16,176 |
| Tipo | 13,235 |
| Escore de importância média | |
Observe que a soma das importâncias é 100, portanto, segundo as respostas que se obteve, o Produto é responsável por 70% da escolha do refrigerante, a embalagem vem em seguida com 16% e o tipo representa 13% do processo de escolha por refrigerantes.
O SPSS também apresenta alguns gráficos que permitem uma visualização mais fácil desses elementos.
Com base na Conjoint Analysis com uso do SPSS, pudemos determinar os fatores mais importantes na escolha de refrigerantes. É claro que em situações mais complexas, o esforço necessário para executar todo o processo é maior, mas os princípios são os mesmos expostos aqui.
Veja também: