Você terminou a pesquisa de satisfação e agora tem dez notas por atributo enfileiradas. Preço 3,8; suporte 4,1; facilidade de uso 3,5; riqueza de recursos 4,3… No instante em que você mostra isso na reunião de diretoria, vem a pergunta: "E aí, por onde a gente começa?"
Você não tem recursos para subir a satisfação de tudo ao mesmo tempo. É preciso priorizar. Mas "corrigir a partir da nota mais baixa" leva ao erro. Mesmo que a nota seja baixa, corrigir um item com o qual o cliente não se importa não traz retorno. É no "importante, mas com baixa satisfação" que está o retorno da melhoria. Mostrar isso em um único gráfico de dispersão é o papel da análise de importância-desempenho (IPA: Importance-Performance Analysis). Neste artigo organizamos, com o tato de quem está na prática, desde a leitura dos 4 quadrantes, como medir a importância (aqui está o maior divisor de águas), como traçar os eixos, até as armadilhas próprias dos dados de satisfação.
1. Por que uma "lista de notas de satisfação" não permite decidir
Um relatório que apenas enfileira as notas de satisfação por atributo em um gráfico de barras é, de longe, o entregável mais produzido em massa no dia a dia da pesquisa e, ao mesmo tempo, o menos usado para decisões. O motivo é simples: "ser uma nota baixa" não coincide com "ser prioridade de melhoria".
Nota baixa ≠ prioridade de melhoria
Por exemplo, mesmo que a satisfação com "o design em PDF da fatura" seja baixa, 3,2, se o cliente não dá importância a isso, melhorá-lo quase não move a lealdade. Por outro lado, mesmo que "a rapidez da primeira resposta do suporte" esteja em 3,9, no meio da escala, se o cliente coloca isso como o mais importante, o efeito de subir esse ponto para 4,3 é enorme.
Para decidir, são necessários dois eixos — "o quanto o cliente dá importância a esse item (importância)" e "o quanto ele está satisfeito hoje (desempenho/satisfação)". Plotar cada atributo nesses dois eixos e dividi-los em 4 quadrantes é a ideia da IPA. Desde que Martilla & James a propuseram em 1977 em Importance-Performance Analysis (Journal of Marketing), ela vem sendo usada em campos amplos — CX, qualidade de serviço, turismo, saúde — um framework de fôlego longo.
A forma de medir a satisfação em si (escala de 5 ou de 10 pontos, a lógica do Top 2 Box) é tratada no guia de design de satisfação do cliente (CSAT). Este artigo é o passo seguinte: como converter a satisfação que você mediu em ação de melhoria.
2. Os 4 quadrantes da IPA — o mapa de por onde começar
Colocando a importância no eixo vertical e a satisfação no eixo horizontal e dividindo cada um pela sua média (ou mediana), cada atributo cai em algum dos 4 quadrantes a seguir.
Os 4 quadrantes da IPA e as ações
Princípios de leitura
- O que você olha é, na prática, só a "área de melhoria prioritária": os 2-3 itens que caem aqui viram o tema de melhoria do próximo trimestre
- Qualidade excessiva é mais "mover" do que "cortar": se você baixa a qualidade só porque é de baixa importância, isso vira um problema no dia em que a importância sobe. Comece revisando a alocação de recursos
- Segure o impulso de querer corrigir a baixa prioridade: deixar-se puxar pelos itens de valor absoluto baixo é a maior armadilha. Olhe sempre o eixo da importância junto
3. Como medir a importância — pergunta direta vs. derivar estatisticamente
O sucesso da IPA é decidido em 80% pela forma de medir a importância. Se você faz isso de qualquer jeito, o eixo vertical dos 4 quadrantes deixa de ser confiável e a análise inteira desmorona. Há basicamente duas formas de medir a importância, e cada uma tem fraquezas opostas.
Método A: pergunta direta (importância declarada / Stated Importance)
É perguntar de novo, separado da satisfação: "quão importante é o item a seguir para você?". É simples, mas tem um vício fatal.
Os respondentes respondem que quase tudo é "importante". Ninguém, ao ser perguntado "o suporte é importante?", responde "tanto faz". Como resultado, as notas de importância grudam todas entre 4,0 e 4,5 (efeito teto) e quase não aparece diferença entre os itens. O eixo vertical achata e os 4 quadrantes deixam de funcionar.
Método B: derivar estatisticamente (importância derivada / Derived Importance)
É tratar como "importância" o coeficiente de correlação ou o coeficiente de regressão entre a satisfação de cada atributo e a "satisfação geral (ou intenção de continuar / NPS)". O raciocínio é: "quando a satisfação com o suporte se move, a satisfação geral se move muito também → o suporte é importante", sem perguntar a importância diretamente ao respondente.
Em troca de evitar o efeito teto da pergunta direta, há as fraquezas da multicolinearidade (os atributos correlacionados entre si deixam os coeficientes instáveis) e da confusão entre correlação e causalidade. A prática de correlação e regressão que serve de base para a derivação está organizada no guia de tabulação e teste de significância de pesquisas.
Conclusão prática: olhe os dois e leia a "lacuna"
Tanto academicamente quanto na prática, considera-se que o melhor é medir tanto a importância declarada quanto a derivada e ler o descompasso (a lacuna) entre as duas.
- Itens em que "perguntado diretamente, o cliente diz ser importante, mas o impacto na satisfação geral é pequeno" → o discurso oficial do cliente. Fala alto, mas não move o comportamento
- Itens em que "perguntado diretamente, parece não ser grande coisa, mas move fortemente a satisfação geral" → drivers ocultos que o próprio cliente não percebe. É aqui que está o tesouro
A importância derivada é contígua à "análise de key drivers" que descrevemos a seguir, e a IPA fica na saída, visualizando esse resultado em 4 quadrantes.
4. Como montar o gráfico de dispersão — a escolha discreta e decisiva do ponto de corte dos eixos
Onde traçar a cruz que separa os 4 quadrantes? Isso influencia a conclusão mais do que parece. As opções são basicamente três.
| Ponto de corte | Natureza | Quando se aplica |
|---|---|---|
| Média | Avaliação relativa. Hierarquia dentro do próprio conjunto de itens | A mais comum. Priorização interna de melhorias |
| Mediana | Robusta a outliers. Estável mesmo com distribuição enviesada | Quando a satisfação se concentra no lado das notas altas (contramedida ao efeito teto, descrito adiante) |
| Ponto médio da escala (3,0 numa escala de 5) | Avaliação absoluta. "Passou da linha de corte?" | Comparação com concorrentes ou julgamento de nível absoluto |
A armadilha do corte pela média — "ao somar um item, a conclusão muda"
O corte pela média, o mais usado, tem uma fraqueza que costuma passar despercebida. Como a linha de corte é a média de todos os itens, basta adicionar ou remover um item para que a linha se mova, e um atributo pode saltar da área de melhoria prioritária para a área de manutenção.
"No relatório do mês passado o suporte era melhoria prioritária; este mês ele caiu na área de manutenção. E olha que não fizemos nenhuma ação." — não é raro que isso não seja uma melhoria de verdade, e sim um caso em que o conjunto de itens tabulados mudou e só a linha da média se moveu. Se você usa a média como ponto de corte, fixe o conjunto de itens e sempre anote a posição da linha.
A forma de montar o gráfico de dispersão em si (plot de dois eixos no Excel, rótulos dos eixos, linhas auxiliares dos quadrantes) é tratada no guia de visualização de resultados de pesquisa e no guia de tabulação de pesquisas no Excel.
5. O efeito teto dos dados de satisfação — a maior armadilha da IPA
O que mais frequentemente arruína a análise na IPA é o "efeito teto", em que os dados de satisfação se enviesam para o lado das notas altas.
A satisfação do cliente sai estruturalmente alta. Numa escala de 5 ela se concentra na média entre 4,0 e 4,5, e raramente há itens abaixo de 3,0 (também pesa o viés de amostragem: o cliente insatisfeito de início nem responde, ele já evadiu). Aí, no gráfico de dispersão, todos os itens se aglomeram do lado direito (alta satisfação) e o corte do eixo horizontal deixa de funcionar. Vira "tudo na área de manutenção" e nada se decide.
Ações para contornar
- Cortar pela mediana: mais robusta ao enviesamento da distribuição do que a média. Mesmo que estejam grudados à direita, consegue dividir os itens em dois
- Padronizar a satisfação (z-score): converter cada item para a "posição relativa dentro de todos os itens" antes de plotar. Sem se deixar arrastar pelo valor absoluto alto, a diferença relativa entre itens fica visível
- Usar a "taxa de insatisfação" ou a "diferença em relação ao Top box" no lugar da satisfação: ampliar para enxergar as pequenas diferenças na faixa de notas altas
Ler "está tudo no canto superior direito, então nossa empresa está tranquila", deixando o efeito teto sem tratamento, é o erro de leitura mais típico da IPA. Ao montar o gráfico de dispersão, a primeira coisa é desconfiar se os pontos não viraram um aglomerado único.
6. IPA aprimorada — a abordagem diagonal e a "assimetria da satisfação"
Os 4 quadrantes clássicos também têm críticas, e algumas versões aprimoradas foram propostas. Conhecer as duas a seguir é útil na prática.
Abordagem diagonal (Bacon 2003)
Em vez de cortar pelas médias vertical e horizontal, é o método de traçar a linha de 45 graus de "importância = satisfação" e medir a prioridade pela distância em relação a ela. Bacon (2003) apontou que, quando os atributos se aglomeram perto das fronteiras dos quadrantes, a classificação em 4 quadrantes fica instável, e mostrou que é mais robusto avaliar a prioridade de forma contínua pelo afastamento da diagonal (o grau em que a importância supera a satisfação). A vantagem é evitar a escolha binária de "para qual quadrante isso cai".
Assimetria da satisfação — a conexão entre IPA e Kano (Matzler 2004)
A IPA clássica pressupõe que "a importância é um valor fixo, independente da satisfação", mas Matzler et al. (2004) mostraram que a importância de um atributo varia conforme o nível de satisfação (assimétrica, não linear).
- Qualidade obrigatória (Must-be): é o esperado. Mesmo atendida, a satisfação não sobe, mas a falta gera forte insatisfação (ex.: conseguir fazer login, a cobrança estar correta)
- Qualidade atrativa (Attractive): a ausência não gera insatisfação, mas a presença faz a satisfação saltar (ex.: um suporte proativo, antecipando o que você nem imaginava)
Ou seja, "a importância para um cliente insatisfeito" e "a importância para um cliente satisfeito" são coisas distintas, e calcular a importância derivada separando o grupo de alta satisfação do de baixa satisfação permite distinguir a qualidade obrigatória da qualidade atrativa. Se um item está na área de melhoria prioritária, mas na verdade é qualidade obrigatória (corrigi-lo não sobe a satisfação, só resolve a insatisfação) ou se é qualidade atrativa (corrigi-lo faz a satisfação saltar) muda o significado do investimento.
7. A visão da redação — 5 coisas que você não deve fazer na IPA
Da posição de quem acompanha continuamente os casos do setor e a voz de quem está na operação, aqui vão 5 acidentes que se repetem na IPA. Em todos eles não é que "a análise estava errada", e sim que "a leitura errou o alvo".
1. Engolir sem questionar a importância da pergunta direta
O acidente mais frequente. Acaba virando "perguntei a importância e deu tudo 4,2" e o eixo vertical achata. Rodar a IPA só com a pergunta direta quase certamente fracassa por efeito teto. Use sempre em conjunto a importância derivada (correlação com a satisfação geral). Se você só consegue medir uma, escolha a derivada.
2. Deixar o efeito teto da satisfação sem tratamento e relaxar com "está tudo no canto superior direito"
Ao montar o gráfico de dispersão, a primeira coisa é ver se os pontos não viraram um aglomerado único. Se estiverem concentrados à direita, teste o corte pela mediana ou o z-score. Uma IPA em que "todos os itens estão na área de manutenção" quase com certeza deixou passar o efeito teto.
3. Não entender a instabilidade do corte pela média e ter conclusões que oscilam todo mês
A cada item que você soma ou subtrai, a linha de corte se move e os quadrantes mudam sem relação com as ações. Fixe o conjunto de itens e sempre anote o valor da linha de corte. Se for acompanhar ao longo do tempo, sem registrar também a posição da linha, a comparação com o mês anterior não faz sentido.
4. Confundir "qualidade excessiva" com força e ficar defendendo
Convencer-se de que um item de baixa importância × alta satisfação "é a nossa força" e continuar despejando recursos nele, sem sobrar mão para a área de melhoria prioritária. A área de qualidade excessiva não é para se orgulhar, é candidata a realocação. Mas verifique uma vez, pela ótica da assimetria (se é qualidade obrigatória), se essa "baixa importância" não é algo temporário.
5. Fixar o quadrante pela satisfação de um atributo com N pequeno
Em designs em que "só quem se aplica" responde por atributo (ex.: a satisfação com o suporte só por quem usou o suporte), o N varia muito de um atributo para outro. Decidir o quadrante pela satisfação média de um atributo com N=15 e agir achando que "é melhoria prioritária" é arriscado. Registre sempre o N por atributo e, em atributos com N pequeno, suspenda o julgamento. A lógica do tamanho de amostra está em como definir o tamanho de amostra necessário.
8. Operando IPA com a ferramenta de pesquisa Kicue
A IPA se divide na fase de "medir satisfação e importância nas perguntas" e na fase de análise de "jogar no gráfico de dispersão e ler em 4 quadrantes". O que a Kicue cobre é a primeira; a segunda é uma combinação com ferramentas externas.
- Medição de satisfação e importância declarada: oferece suporte ao design de perguntas que medem a satisfação e a "importância" de cada atributo em escala Likert de 5 ou 7 pontos (tipos de pergunta · guia de design de escala Likert)
- Inclusão de pergunta de satisfação geral: dá para posicionar, no mesmo formulário, as perguntas de "satisfação geral" e "intenção de continuar" necessárias para calcular a importância derivada
- Exportação de CSV com ID do respondente: exporta a satisfação por atributo e a satisfação geral na estrutura de uma linha por resposta. Serve para o cálculo de correlação da importância derivada e para dividir os grupos de alta e baixa satisfação
- Tabulação GT e cruzada: até a verificação da média e da distribuição de cada atributo é possível no painel
⚠️ O que a Kicue não cobre
- Não monta o gráfico de dispersão da IPA nem o plot dos 4 quadrantes: a operação é exportar o CSV e fazer o gráfico e o corte dos quadrantes no Excel (dispersão) / R / Python / SPSS / JASP
- Não tem função de cálculo da importância derivada (correlação / regressão): a análise estatística é feita em ferramentas externas. A Kicue em si não incorpora funções de análise estatística
- Também não faz pré-processamento como padronização z-score ou corte pela mediana: tudo isso é feito após a exportação, na planilha / no software estatístico
Como leitura complementar, ler em conjunto o guia de design de satisfação do cliente (CSAT), o guia de uso comparado das métricas de CX, o guia de tabulação e teste de significância de pesquisas, o guia de visualização de resultados de pesquisa e o guia de design de programa de VoC dá a ver a sequência de "medir a satisfação → decidir a prioridade de melhoria → colocar em operação".
Resumo — 6 pontos para usar a IPA na tomada de decisão
- O que você olha é, na prática, só a "área de melhoria prioritária" — os 2-3 itens de alta importância × baixa satisfação são o próximo tema de melhoria
- Nota baixa ≠ prioridade — olhe sempre o eixo da importância junto. Segure o impulso de querer corrigir a área de baixa prioridade
- Na importância, a derivada (correlação) é a principal e a pergunta direta a secundária — só a pergunta direta fracassa por efeito teto na maioria das vezes
- Desconfie do efeito teto da satisfação — se o gráfico de dispersão grudar à direita, corte pela mediana ou faça z-score
- No corte pela média, fixe o conjunto de itens e anote a posição da linha — caso contrário, a comparação com o mês anterior fica sem sentido
- Registre o N por atributo e suspenda o julgamento com N pequeno — atributos respondidos só por quem se aplica têm o N fragmentado
A IPA não é difícil "porque a análise é avançada". Desde que você não erre nos dois pontos — a forma de medir a importância e o enviesamento dos dados de satisfação —, ela é um framework de ótimo custo-benefício, capaz de fazer a decisão da reunião de diretoria avançar com um único gráfico de dispersão no Excel.
Se você quer desenhar uma pesquisa que mede satisfação e importância, que tal experimentar a ferramenta de pesquisa gratuita Kicue? Do design de perguntas Likert para satisfação por atributo e satisfação geral, à exportação de CSV com ID do respondente, à tabulação GT e cruzada, você começa em uma única conta a parte que cria os dados de entrada da IPA (a montagem do gráfico de dispersão, o cálculo de correlação da importância derivada e a padronização z-score são uma operação combinada com Excel / R / Python / SPSS / JASP).
Referências
- Martilla, J. A., & James, J. C. (1977). Importance-Performance Analysis. Journal of Marketing, 41(1), 77-79.
- Bacon, D. R. (2003). A Comparison of Approaches to Importance-Performance Analysis. International Journal of Market Research, 45(1), 55-71.
- Matzler, K., Bailom, F., Hinterhuber, H. H., Renzl, B., & Pichler, J. (2004). The asymmetric relationship between attribute-level performance and overall customer satisfaction: a reconsideration of the importance–performance analysis. Industrial Marketing Management, 33(4), 271-277.
- Oh, H. (2001). Revisiting importance-performance analysis. Tourism Management, 22(6), 617-627.
- Azzopardi, E., & Nash, R. (2013). A critical evaluation of importance–performance analysis. Tourism Management, 35, 222-233.