"Produto A pontuou 4,2/5, produto B pontuou 4,1/5. Vamos lançar A." Reunião encerrada. Qual produto realmente vendeu? B. Quem trabalhou em pesquisa de marketing já viveu esse erro de julgamento. A razão é simples: avaliações monádicas de pergunta única não medem preferência. Consumidores que avaliam A e B como "bons" tomam a decisão real de compra através de trade-offs entre preço, embalagem e funcionalidades.
O método estatístico que mede esses trade-offs é a análise conjoint. Este texto percorre o que conjoint resolve, os três formatos principais e quando usar cada um, design atributo-nível, dimensionamento de amostra, como interpretar resultados, as armadilhas editoriais e como implementar conjoint numa ferramenta de pesquisa. É um método central da pesquisa de marketing, no entanto conteúdo prático rigoroso em português é surpreendentemente raro.
1. O que a análise conjoint resolve
Por que avaliação monádica não captura preferência
Uma pergunta de 5 pontos como "Quão interessado você está no produto A?" mede o quanto se gosta de um item visto sozinho — avaliação monádica. O problema é que compras reais não são feitas isoladas; são feitas via trade-offs.
Exemplo: escolha de notebook
- A: alto desempenho, pesado, caro
- B: desempenho médio, leve, preço médio
- C: baixo desempenho, leve, barato
Em avaliação monádica, A normalmente pontua mais alto (todo mundo "gosta" de alto desempenho). Mas adicione as restrições "+50.000 ienes" ou "+500g" e as preferências mudam dramaticamente.
Por que conjoint virou padrão do setor
Green & Srinivasan (1990) Conjoint Analysis in Marketing sistematizou conjoint como método para medir estatisticamente trade-offs entre múltiplos atributos. Amplamente usado em marketing, economia e políticas públicas, e prediz comportamento real de compra com mais precisão do que avaliação monádica em comparações empíricas repetidas.
Aplicações práticas comuns:
- Teste de conceito de novo produto: quais combinações de atributos são escolhidas
- Estratégia de preço: elasticidade-preço e pontos de preço ótimos
- Otimização de embalagem: quais elementos importam mais
- Posicionamento: atratividade relativa vs. concorrentes
2. Três formatos principais — e quando usar cada um
Conjoint vem em três formatos principais. Escolha por propósito e tamanho de amostra.
Formato 1: Conjoint Full-Profile
Mostrar cartas (perfis) contendo todos os atributos; respondentes rankeiam ou avaliam. O método clássico.
- Design: 8–16 cartas × todos os atributos
- Carga do respondente: média a alta
- N: 100–300
- Forças: intuitivo, estimação direta de utilidade
- Fraquezas: carga cognitiva cresce rápido com a contagem de atributos (5–6 atributos é o teto prático)
Formato 2: Choice-Based Conjoint (CBC)
Múltiplas tarefas de escolha onde respondentes escolhem "qual você escolheria" entre 2–4 alternativas. A abordagem moderna dominante.
- Design: 8–15 tarefas × 2–4 alternativas por tarefa
- Carga do respondente: média
- N: 200–500 (utilidades agregadas), 500–1.000 (modelos HB)
- Forças: mais próximo da compra real, suporta simulação de share-of-preference
- Fraquezas: design e análise complexos (design ortogonal + bayes hierárquico)
Louviere, Hensher, & Swait (2000) Stated Choice Methods estabeleceu a base teórica de utilidade aleatória.
Formato 3: MaxDiff (Maximum Difference Scaling)
Escolher "o mais importante / o menos importante" de 4–5 itens por tarefa. Especializado em medição de importância.
- Design: cada tarefa pareia "best/worst" entre 4–5 itens
- Carga do respondente: baixa
- N: 200–500
- Forças: escala de ranking limpa, lida com muitos itens (10–30)
- Fraquezas: não adequado para simulação de preço ou atributos numéricos
Quando usar cada um
| Objetivo | Recomendado | N típico |
|---|---|---|
| Predizer sensibilidade ao preço / intenção de compra | CBC | 500 |
| Rankear importância entre muitos itens | MaxDiff | 300 |
| Medir utilidade em poucos atributos (4–5) | Full-Profile ou CBC | 200 |
| Simulação de share | CBC + HB | 500–1.000 |
Na prática CBC é 70–80%, MaxDiff 20–30%, full-profile é raro no uso moderno.
3. Projetando atributos e níveis
A qualidade do conjoint é determinada pelo design. Erre atributos e níveis e nenhum N salva os resultados.
Número de atributos
- CBC: 4–7 atributos é o padrão; 8+ degrada qualidade por carga cognitiva
- Full-Profile: 4–5 atributos é o teto
- MaxDiff: 10–30 "itens" funciona
Níveis por atributo
2–5 níveis por atributo. 3–4 é mais comum.
Exemplo: conjoint de smartwatch
| Atributo | Níveis |
|---|---|
| Preço | 299 / 799 |
| Bateria | 1 dia / 3 dias / 7 dias |
| Saúde | Frequência cardíaca / + sono / + sono + estresse |
| Marca | Marca A / Marca B / Marca C / Nossa marca |
→ 4 × 3 × 3 × 4 = 144 perfis teóricos. Design ortogonal comprime para 12–16 tarefas.
Design ortogonal
Método estatístico para minimizar correlação entre atributos. O pacote AlgDesign do R e Sawtooth Software são ferramentas padrão.
Na prática: defina atributos e níveis, a ferramenta gera o set de tarefas automaticamente. Teoria detalhada de ortogonalidade não é necessária para operar, mas prestar atenção aos avisos da ferramenta sobre integridade do design sim.
Cuidados no design de atributos
- Independência: se "marca" e "faixa de preço" são correlacionadas no mercado real, a suposição do conjoint quebra
- Faixas realistas: níveis de preço fora da realidade do mercado produzem respostas absurdas
- Sweet spot: 5–6 atributos × 3–4 níveis equilibra carga cognitiva e poder analítico
4. Guia de tamanho de amostra
O conteúdo informacional do conjoint é tarefas × N, então requer menos respondentes que métodos monádicos.
Guia de tamanho de amostra para CBC
| Profundidade da análise | N recomendado |
|---|---|
| Utilidades agregadas | 200–300 |
| Utilidades por segmento (atributo × idade, etc.) | 200/célula → 600–800 |
| Bayes hierárquico (HB) para utilidades individuais | 500–1.000 |
| Simulação de share (predição de mercado) | 500–1.500 |
Orme (2010) Getting Started with Conjoint Analysis e a regra do setor da Sawtooth Software: N=300 é o piso prático para CBC.
Sintomas de N insuficiente
- Erros padrão das utilidades grandes demais para comparar atributos
- Modelo HB não converge
- Alta variância em simulações de share por segmento
Para fundamentos de design de amostra, ver como calcular o tamanho da amostra e agregação e teste de significância.
5. Interpretação — utilidades, importância, simulação de share
Outputs do conjoint se traduzem na prática por três números-chave.
Utilidades parciais (part-worths)
Quanto cada nível de atributo contribui para a preferência, quantificado.
Exemplo (smartwatch):
| Nível | Utilidade parcial |
|---|---|
| Preço $199 | +1,2 |
| Preço $299 | +0,4 |
| Preço $499 | −0,8 |
| Preço $799 | −0,8 |
| Bateria 1 dia | −0,5 |
| Bateria 3 dias | +0,0 |
| Bateria 7 dias | +0,5 |
Some as utilidades parciais para calcular a força de preferência de qualquer perfil.
Importância relativa
Parcela de cada atributo na influência sobre a preferência. Calcule "utilidade máx − utilidade mín" por atributo, normalize a 100%.
Exemplo:
- Preço: 35%
- Bateria: 25%
- Saúde: 20%
- Marca: 20%
Input direto de decisão: "preço é o mais importante; saúde e marca pesam igual."
Share of preference
A parcela de escolha que cada perfil receberia em competição com outros.
Exemplo: nosso novo produto X vs concorrente A vs concorrente B
- Nosso X ($499, bateria 5 dias): 42% de share
- Concorrente A: 31%
- Concorrente B: 27%
"Baixar nosso X para $399 sobe o share para 55%" — simulações de preço-share como essa são o output mais valorizado do conjoint.
Bayes hierárquico (HB)
Estima utilidades parciais a nível individual ao invés de agregadas. Train (2009) Discrete Choice Methods with Simulation sistematizou a metodologia.
- Forças: melhor predição individual de share, segmentação mais precisa
- N requerido: 500–1.000
- Ferramentas: Sawtooth Software CBC/HB, R
bayesm, PythonChoice-Models
6. Visão editorial — cinco armadilhas do conjoint
Da literatura e da prática, as cinco coisas que defenderíamos com mais força.
1. "Só jogar mais atributos" é a maior explosão. A contagem de atributos eleva a carga cognitiva do respondente exponencialmente, disparando satisficing — escolher a opção do meio em cada tarefa. 4–6 atributos é o teto realista de CBC. Resistir ao "vamos adicionar também..." é a disciplina mais importante para manter a credibilidade do resultado. O mesmo mecanismo está documentado em nossas armadilhas de redação — alta carga cognitiva quebra a qualidade dos dados.
2. Níveis de preço fora da realidade de mercado quebram o resultado. Preços de 999 produzem só a resposta óbvia ("preço é o mais importante"). Fique dentro de ±20–30% da faixa real do mercado e olhe sensibilidade ao preço por segmento.
3. Atenção a correlações de atributos no mercado real. Num mercado onde "marca" e "faixa de preço" são correlacionadas (luxo = preço alto), um design ortogonal gera perfis que não existem na realidade (luxo × preço baixo), confundindo respondentes. Exclua combinações irrealistas no momento do design ou corrija via HB pós-hoc.
4. Não leia simulações de share como absolutos. Simulação de share brilha em comparação relativa, não em predição absoluta. "42% de share no conjoint = 42% de vendas reais" é leitura errada. Compras reais envolvem frequência de compra, distribuição e consciência publicitária também. Leia shares como "quanto se move do estado atual", não como previsões autônomas.
5. Não use MaxDiff para sensibilidade ao preço. MaxDiff é a ferramenta certa para ranking de importância, mas errada para utilidade em preço ou atributos numéricos. "Qual função importa mais?" → MaxDiff. "Qual a sensibilidade ao preço?" → CBC. Misturá-los — usar MaxDiff para medir preço — quebra a simulação de share.
7. Implementando conjoint na ferramenta de pesquisa Kicue
Enquadramento honesto: a Kicue não é uma ferramenta dedicada a conjoint. Análise conjoint em produção é melhor rodada em Sawtooth Software / Conjointly / Qualtrics CoreXM.
Dito isso, uma implementação simplificada de conjoint é viável na Kicue.
CBC simplificado na Kicue
- Use perguntas SCREEN para implementar tarefa por tarefa "escolha entre 2–4 alternativas"
- Use skip logic e parâmetros de URL para randomização de tarefas
- Exporte via export de dados brutos e analise com
mlogit(R) ouxlogit(Python)
O que a Kicue não faz nativamente
- Geração de design ortogonal: pré-gere sets de tarefas em Sawtooth ou R
support.CEs, depois importe na Kicue - Estimação bayes hierárquico: rode via
bayesmem R / Python após export - Simuladores de share: dashboards construídos em Tableau / Power BI
Guia de ferramentas por caso de uso
| Caso de uso | Ferramenta recomendada |
|---|---|
| Pesquisa acadêmica / pesquisa de marketing em produção | Sawtooth Software CBC/HB |
| Pesquisa empresarial de médio porte | Conjointly / Qualtrics CoreXM |
| Leve / restrição de orçamento | Kicue + pós-processamento R/Python |
A Kicue funciona bem para "testes de protótipo de conjoint", "screening de atributos pré-conjoint" e "alternativas de ranking de importância tipo MaxDiff". Para produção completa, aponte para ferramentas especializadas.
Escolher a ferramenta certa — Os limites do plano gratuito, suporte a ramificação, capacidades IA e exportação CSV variam muito entre ferramentas. Confira nosso comparativo de ferramentas de pesquisa gratuitas para encontrar a ideal para esta abordagem.
Resumo
Checklist de análise conjoint:
- Avaliação monádica não captura preferência — conjoint analisa trade-offs estatisticamente.
- Três formatos: CBC (mainstream) / MaxDiff (ranking de importância) / Full-Profile (clássico).
- 4–6 atributos × 2–5 níveis é o sweet spot carga cognitiva / poder analítico.
- Tamanhos de amostra CBC: 200–300 (agregado) / 500–1.000 (HB) / 500–1.500 (predição de share).
- Três números para ler: utilidades parciais / importância relativa / simulação de share.
- Cinco armadilhas: atributos demais / preços irrealistas / correlação de atributos / leitura absoluta de share / mau uso de MaxDiff.
- Kicue serve para protótipos simplificados; produção roda em Sawtooth / Conjointly / Qualtrics.
Conjoint é um método "80% design, 20% análise". Invista tempo no design de atributo-nível e plano de amostragem, e mesmo N=300 produz números a nível decisão. Como skill central de pesquisa de marketing, é de alta alavancagem em CX / EX / desenvolvimento de produto.
Referências
Acadêmicas e metodológicas
- Green, P. E., & Srinivasan, V. (1990). Análise conjoint em marketing: novos desenvolvimentos com implicações para pesquisa e prática. Journal of Marketing, 54(4), 3–19.
- Louviere, J. J., Hensher, D. A., & Swait, J. D. (2000). Stated Choice Methods: Analysis and Applications. Cambridge University Press.
- Train, K. E. (2009). Discrete Choice Methods with Simulation (2ª ed.). Cambridge University Press.
- Orme, B. (2010). Getting Started with Conjoint Analysis: Strategies for Product Design and Pricing Research. Research Publishers LLC.
- Rao, V. R. (2014). Applied Conjoint Analysis. Springer.
Órgãos de padronização e centros metodológicos
- Sawtooth Software: Methodology Papers and Conferences.
- AAPOR (American Association for Public Opinion Research): Standard Definitions.
Guias do setor (como observação prática)
Quer prototipar conjoint? Experimente Kicue — uma ferramenta de pesquisa online gratuita. Perguntas SCREEN, skip logic, parâmetros de URL e export de dados brutos vêm de fábrica, então a conexão com ferramentas externas (R / Python / Sawtooth) é fluida.