Etapas para o desenvolvimento de uma pesquisa de mercado
utilizando Conjoint Analysis
Carla Schwengber ten Caten
José Luis Duarte Ribeiro
Universidade Federal do Rio Grande do Sul –Progr.Pós-Grad.Eng.Produção
e-mail: [email protected], [email protected]
Abstract: Conjoint Analysis is a technique that allows to quantify the implicit values considered in the
consumer’s decision making. It can be used for the development of a new product, development of a
new system, market stratification, forecasting, or price elasticity estimation. The aim of this paper is
to present the steps to be followed in the development of a market survey using Conjoint Analysis.
Each step is illustrated using a market survey conducted in the automotive industry. The proposed
sequence constitutes a complete guide for a successful implementation of a marketing survey using
Conjoint Analysis.
Keywords: Market survey, Conjoint Analysis, Design of experiments, Product development
Resumo: A Conjoint Analysis é uma técnica que permite quantificar os valores implícitos na tomada
de decisão dos consumidores. Ela pode ser utilizada para o desenvolvimento de um novo produto,
desenvolvimento de um novo sistema de transporte, segmentação de mercado, previsão de demanda e
estimativa da elasticidade de preços. A proposta deste artigo é apresentar uma seqüência de etapas
para o desenvolvimento de uma pesquisa de mercado utilizando Conjoint Analysis. Cada etapa
apresentada é ilustrada através de uma pesquisa de mercado dirigida ao setor automotivo. As etapas
sugeridas fornecem um roteiro completo para a realização com sucesso de uma pesquisa de mercado
usando Conjoint Analysis.
Palavras-chave: Pesquisa de Mercado, Conjoint Analysis, Projeto de Experimento, Desenvolvimento
de Produto.
1. Introdução
Com a crescente competitividade, qualquer estratégia de negócio, inclusive o desenvolvimento
de novos produtos, deve estar focada no cliente. Uma das formas de identificar a demanda do cliente,
avaliar a elasticidade de preço e realizar previsões de compra é a pesquisa de mercado. A previsão de
compra baseada em pesquisa de mercado é necessária quando não existem dados históricos a respeito
do produto ou serviço.
Geralmente uma pesquisa de mercado questiona quais são os atributos mais importantes de
um produto. No entanto, os consumidores tendem a considerar todos os atributos como importantes e
atribuem notas altas para todos os itens questionados, não permitindo uma priorização entre os
diferentes atributos. Por exemplo, na compra de um automóvel, o consumidor considera importante
atributos como consumo, potência, preço, itens de segurança (freios ABS, air bag), entre outros. Na
pesquisa de mercado utilizando Conjoint Analysis, o respondente é solicitado a escolher produtos
hipotéticos (cenários) onde os atributos de interesse são alterados propositalmente de modo que quando
o respondente escolhe um produto, ele obrigatoriamente realiza um trade-off (busca da melhor
alternativa, considerando relações de custo/benefícios).
Segundo INTELLIQUEST (199_), Conjoint Analysis, também chamada de Trade-off Analysis
ou Stated Preference modela como as pessoas realizam julgamentos complexos no momento da tomada
de decisão. Ela se baseia na suposição de que decisões complexas, tais como a decisão de uma compra,
são baseadas não apenas em um único atributo de um produto mas em múltiplos atributos. Essa técnica
permite ao pesquisador quantificar os valores implícitos na tomada de decisão dos consumidores.
GUSTAFSSON; EKDAHL & BERGMAN (1999) definem Conjoint Analysis como um projeto de
experimento aplicado às decisões de marketing. Os princípios da metodologia de projeto de
experimentos são utilizados para criar produtos hipotéticos (cenários) com diferentes atributos, e a
variável de resposta é a decisão de compra de consumidores potenciais. Os termos utilizados na
literatura de marketing possuem similares na literatura de projeto de experimentos como, por exemplo,
o termo atributo é sinônimo de fator controlável e uma dada condição de um atributo é sinônimo de
nível do fator controlável. As combinações dos diferentes níveis dos atributos (fatores controláveis)
geram cenários com produtos hipotéticos. Esses cenários são chamadas na literatura de projeto de
experimentos de tratamentos.
INTELLIQUEST (199_) sugere doze etapas básicas para um estudo de Conjoint Analysis, sendo
elas: (1) montar a equipe de pesquisa; (2) identificar claramente os objetivos da pesquisa, (3) determinar
as características da população a ser investigada, (4) identificar os atributos relevantes; (5) identificar
os níveis relevantes para cada atributo; (6) identificar quais os efeitos especiais que devem ser
mensurados; (7) selecionar os métodos apropriados para representar os níveis dos atributos; (8)
selecionar os métodos apropriados para coletar os dados, (9) selecionar o tipo apropriado de Conjoint
Analysis; (10) desenhar o questionário completo; (11) coletar os dados; (12) analisar os dados.
Este artigo apresenta um roteiro mais completo que o anterior, onde as etapas referentes ao
planejamento dos cenários e modelagem dos resultados são enfatizados e discutidos em maior
profundidade. A apresentação é realizada utilizando um estudo de caso. O estudo de caso baseou-se
em uma aplicação no setor automotivo. Contudo, a designação dos atributos e os resultados foram
modificados para preservar o sigilo das informações originais.
2. Etapas para o desenvolvimento de uma pesquisa de mercado utilizando Conjoint Analysis
Os autores sugerem as seguintes etapas para o desenvolvimento de uma pesquisa de mercado
utilizando a Conjoint Analysis. As etapas são ilustradas com um exemplo de uma pesquisa de mercado
realizada no setor automotivo.
2.1.
Formação da equipe, identificação do problema e dos recursos disponíveis
Nessa etapa, é interessante trabalhar sob a ótica da Engenharia Simultânea, reunindo-se
pessoas de vários setores, para obter o maior número de informações possíveis sobre a situação que será
estudada. Dessa forma, é possível definir o objetivo do estudo de maneira que atenda a todos os
interessados. Os passos necessários para a correta identificação do problema são os seguintes:
2.1.1. Identificar claramente os objetivos do estudo
Os objetivos devem ser específicos e bem definidos como, por exemplo, desenvolvimento de
um novo produto, previsão de demanda e fatias de mercado, segmentação de mercado ou estimativa da
elasticidade de preços. Para isso, a equipe técnica deve contar com a participação de todas as pessoas
interessadas na pesquisa de mercado, para estabelecer e detalhar o objetivo de tal maneira que fique
claro quando este foi alcançado. A realização de uma pesquisa de mercado implica gastos, por isso o
resultado obtido deve contribuir para uma melhoria do produto ou ganhos de fatia de mercado.
Por exemplo, considere uma empresa do setor automotivo que deseja lançar uma nova linha
promocional com determinados atributos. O objetivo principal é identificar os atributos do carro que
influenciam a decisão de compra do consumidor nos diferentes segmentos (estratos) da população, para
desenvolver uma nova linha de carro e um marketing direcionado a um segmento, para que o
consumidor se identifique com o produto, aumentando as vendas do produto.
2.1.2. Definir os recursos disponíveis
Nesse passo faz-se um levantamento do tempo, recursos financeiros e acesso às informações
disponíveis para a realização da Conjoint Analysis. O tempo disponível para a realização da pesquisa
de mercado no setor automotivo era reduzido, pois a empresa tinha pouco tempo para o lançamento da
nova linha antes do lançamento de um carro similar de sua concorrente.
2.2.
Determinação da população e amostra
Nessa etapa é necessário decidir a população de interesse para a pesquisa e o procedimento de
amostragem para obter-se uma amostra representativa dessa população. Os passos são os seguintes:
2.2.1. Definir a população de interesse
Nesse passo é necessário definir a população de interesse para cada pesquisa, ou seja, seu
púplico-alvo. Segundo INTELLIQUEST (199_), geralmente limita-se a população na Conjoint Analysis
aos consumidores que tenham a intenção de compra em um futuro próximo e acesso aos produtos da
concorrência. A população de interesse no estudo dos automóveis são indivíduos com mais de 18 anos
interessados na compra de um automóvel ou que recentemente adquiriram um. Geralmente a definição
de uma população é realizada consultando-se fontes secundárias, ou seja, consultando informações em
registros ou banco de dados de empresas ou órgãos governamentais.
No estudo do setor automotivo, identificou-se todos as pessoas que adquiriram automóveis ou
que demonstraram interesse de compra no último ano nas diversas concessionárias.
2.2.2. Definir a forma de levantamento dos dados
A escolha da forma de levantamento dos dados deve ser previamente decidida, pois afeta o
tipo de questionário e a escala a ser utilizada. As formas mais utilizadas no levantamento dos dados
podem ser: entrevistas realizadas por telefone, entrevistas realizadas por um agente de campo,
questionários enviados pelo correio ou por e-mail e questionários distribuídos pessoalmente.
As entrevistas realizadas por um agente de campo são preferidas pois o entrevistador deixa
claro os objetivos da pesquisa e elimina possíveis dúvidas no preenchimento do questionário. No
entanto, os entrevistadores devem ser bem treinados e qualificados, o que aumenta o custo da pesquisa.
Os questionários enviados pelo correio ou por e-mail são mais baratos e contemplam um maior número
de respondentes. No entanto, as escalas e o formato do instrumento de coleta devem ser extremamente
simples para evitar erros de compreensão. No exemplo do setor automotivo, o respondente foi
entrevistado por um agente de campo quando visitava a concessionária ou levava o carro para revisão
ou manutenção.
2.2.3. Definir os procedimentos de amostragem
Os procedimentos de amostragem se subdividem em amostragem probabilística ou nãoprobabilística. A amostragem probabilística pode ser subdividida em amostragem aleatória simples ou
amostragem estratificada. No caso de amostragem não-probabilística, o pesquisador deve se preocupar
com a representativa da amostra. No estudo automotivo, os pesquisadores optaram pela amostragem
probabilística estratificada pois permite a realização de inferências e a identificação de demandas
diferenciadas, ou até mesmo conflitantes, nos diferentes estratos da população.
2.2.4. Definir os estratos da população
Caso se opte pela amostragem probabilística estratificada, é necessário dividir a população
por variáveis de estratificação, ou seja, definir critérios de classificação da população como, por
exemplo, idade, sexo, escolaridade, renda financeira, localização geográfica, entre outros, gerando
diversos estratos. As variáveis de estratificação identificados no estudo automotivo foram: sexo,
dividido em duas classes feminino e masculino, e renda financeira, dividido em classe A, B, C. O
número de estratos depende do número de variáveis de estratificação e do número de classes para cada
variável. Para o exemplo, o número de estratos da população de interesse é N = 2 x 3 = 6.
2.2.5. Definir o número de questionários
O número de questionários (tamanho da amostra) representativo da população de interesse é
proporcional à heterogeneidade da população (variabilidade), ao grau de confiança desejado e ao erro
máximo admissível para o resultado da pesquisa. A população de interesse pode apresentar
características heterogêneas. Dividindo-se a população em estratos (subgrupos), cada estrato constitui-
se em uma subpopulação com características homogêneas. Se um estrato apresenta características
homogêneas, é necessário coletar uma pequena amostra para representá-lo. Logo, a amostragem total é
construída a partir de pequenas amostras representativas de cada estrato. Um procedimento para o
cálculo do tamanho da amostra representativa de cada estrato, e por conseguinte, o número total de
questionários pode ser visto em RIBEIRO, ECHEVESTE e DANILEVICZ (2000).
2.3.
Planejamento e condução da pesquisa
Na etapa de planejamento dos cenários define-se os atributos a serem investigados, os seus
níveis e por fim, gera-se cenários conforme um modelo estatístico. A escolha do melhor modelo
estatístico é uma relação de custo/benefício, conforme o interesse em estudar os efeitos principais dos
atributos e os efeitos de interações entre eles. O uso da metodologia de projeto de experimentos nessa
fase auxilia no desenvolvimento de um modelo estatístico que resultará em uma pesquisa eficiente,
econômica e com resultados confiáveis. Os passos necessários para um planejamento e condução dos
cenários são os seguintes:
2.3.1. Identificar todos os atributos que afetam o processo de decisão
Esse passo exige conhecimento técnico do produto, pois todos os atributos do produto que
possam afetar o processo de decisão dos consumidores devem ser identificados. Nesta etapa, pode-se
realizar um questionário aberto com um pequeno número de consumidores para identificar os atributos
relevantes. Os pesquisadores podem incluir ainda atributos que eles julgam importantes pelo histórico
de reclamações ou por contatos prévios com consumidores. Uma vez listados todos os atributos de um
produto, é preciso decidir como tratá-los na pesquisa de mercado. Existem três maneiras de trabalhar
com esses atributos: atributos principais, atributos mantidos constantes e atributos não controláveis,
sendo que a escolha de como trabalhar com eles envolve um compromisso entre custo, tempo e
informação. Os atributos citados no questionário aberto realizado com um pequeno grupo de
consumidores foram: preço, consumo, potência, prazo de garantia, air bag, tipo de pintura, tipo de
freio, tipo de direção e número de portas.
2.3.2. Identificar os atributos controláveis que serão investigados na pesquisa de mercado,
mantidos constantes ou tratados como ruído
Os atributos controláveis são o subconjunto dos atributos que será investigado durante a
pesquisa de mercado, ou seja, que será alterado propositalmente a vários níveis nos cenários. Os
atributos controláveis escolhidos para serem investigados na pesquisa do setor automotivo foram:
potência, preço, prazo de garantia, tipo de direção e air bag, ou seja, esses cinco atributos foram
alterados propositalmente nos diferentes cenários.
Identificar os atributos a serem mantidos constantes
Aqueles atributos cujo efeito já é conhecido ou que possivelmente não tenham efeito
significativo sobre o processo de decisão, devem ser mantidos constante nos diversos cenários. Com
isso, o número de cenários diminui, reduzindo o custo e a complexidade da pesquisa de mercado. Os
atributos mantidos constante nos diferentes cenários foram: tipo de pintura, consumo, tipo de freios e
número de portas.
Identificar os atributos de ruído e os procedimentos para diminuir seu efeito
Os atributos de ruído são aqueles que podem ter algum efeito sobre o processo de decisão, no
entanto não se consegue identificá-los e controlá-los. Eles são os responsáveis pelo erro experimental e
diferem dos atributos mantidos constante, pois não podem ser fixados a um nível constante para todas
os cenários. Se os níveis não puderem ser fixados, sugere-se a aleatorização completa. Se puderem ser
medidos, os atributos de ruído tornam-se uma covariável. Se um nível de um atributo de ruído puder
ser mantido constante para um subconjunto de cenários, recomenda-se o uso da técnica de blocagem
para dividir os cenários em subconjuntos (blocos) de forma a eliminar o efeito indesejável desse atributo
de ruído do termo de erro.
2.3.3. Identificar interações envolvendo atributos controláveis e/ou variáveis de estratificação da
população
O efeito de interação entre atributos existe quando o efeito de um atributo sobre o processo de
decisão depende do nível de outro atributo. Se existir efeito provável de interação entre os atributos
controláveis, eles deverão ser investigados na pesquisa, influenciando na definição do modelo
estatístico. Por exemplo, no setor automotivo, os respondentes tendem a escolher automóveis com air
bag e menor potência e automóveis sem air bag e com maior potência. Ou seja, a escolha por air bag
depende da escolha por potência, logo existe um efeito de interação entre air bag x potência.
O efeito de interação também pode existir entre um atributo do produto e uma variável de
estratificação da população. Por exemplo, o efeito do atributo potência sobre o processo de decisão
depende do critério de segmentação sexo, ou seja, pessoas do sexo masculino consideram o atributo
potência determinante na decisão de compra do automóvel e pessoas do sexo feminino não o consideram
determinante. Logo existe um efeito de interação entre os atributos potência x sexo.
2.3.4. Definir o intervalo de estudo e o número de níveis dos atributos controláveis
A escolha da amplitude do intervalo dos atributos controláveis deve ser feita com cuidado, a
fim de permitir a investigação de toda a região de interesse. Essa escolha deve ter como base o
conhecimento da amplitude operacional que pode ser executada e dos valores de uso corrente. No estudo
do setor automotivo, a amplitude do intervalo de investigação da potência deve contemplar o intervalo
operacional, por exemplo, deve variar de 60 Hp (versão 1,0) a 100 Hp (versão 1,6).
Definir o número de níveis dos atributos controláveis
O número de níveis deve ser escolhido considerando o provável efeito do atributo controlável
sobre a decisão de compra. Se o efeito provável do atributo for linear, basta investigar dois níveis do
atributo; se o efeito provavelmente for quadrático, é necessário investigar pelo menos três níveis; se o
efeito for de ordem superior, é necessário investigar mais do que três níveis. Por exemplo, o número de
níveis do atributo potência deveria ser três, caso o atributo potência tivesse um efeito quadrático sobre a
decisão de compra. A provável estimativa dos efeitos pode ser pesquisada na literatura, ou pode ser
obtida com especialistas. A tentativa de prever o efeito provável de um atributo freqüentemente
provoca a revisão da escolha dos níveis e também proporciona a comparação do conhecimento prévio
dos pesquisadores com o conhecimento gerado através da pesquisa de mercado. No estudo automotivo,
os níveis dos atributos controláveis estão apresentados na Tabela 1.
Tabela 1.
Níveis dos atributos controláveis do setor automotivo.
Fator
A = potência
B = tipo de freio
C = tipo de direção
D = air bag
E = preço
Nível baixo (-1)
60
convencional
convencional
não
custo - 5%
Nível alto (+1)
100
ABS
hidráulica
sim
custo + 5%
2.3.5. Definir o modelo estatístico e os cenários correspondentes
A metodologia de projeto de experimentos auxilia na escolha do modelo estatístico que define
os diferentes cenários. A escolha do modelo estatístico deve ser realizada levando em conta todos os
aspectos mencionados nos passos anteriores, além de outras restrições (financeiras ou técnicas) que em
geral existem. Maiores detalhes a respeito da metodologia de projeto de experimentos podem ser vistos
em Montgomery (1991). O modelo estatístico mais utilizado é o projeto fatorial cruzado. Esse projeto
permite estimar os efeitos principais e todos os efeitos de interação de K atributos.
Quando um dos atributos é o preço, recomenda-se que os níveis do preço variem em torno do
custo real para não gerar cenários com ótimos atributos e preço muito baixo, que sempres serão
preferidos. Ou seja, para cada cenário, avalia-se o custo real do produto em função dos níveis dos
atributos que são oferecidos. O nível baixo do atributo preço pode ser o custo real- 5% e o nível alto
pode ser o custo real + 5% . O objetivo de investigar o atributo preço em torno do custo real é avaliar a
elasticidade do preço, ou seja, qual o efeito do preço sobre a decisão de compra.
Os cenários gerados utilizando o projeto fatorial completo são todas as combinações dos
níveis dos atributos controláveis. Logo, o número de cenários depende do número de atributos e do
número de níveis de cada atributo. No estudo do setor automotivo, o atributo potência tem dois (2)
níveis, o atributo tipo de freio tem dois (2) níveis, o atributo air bag tem dois (2) níveis, o atributo tipo
de direção tem dois (2) níveis e o atributo preço tem dois (2) níveis, logo o número total (N) de cenários,
caso se decida usar um projeto fatorial completo será N = 2 x 2 x 2 x 2 x 2 = 25=32.
Muitas vezes, o número de cenários necessários para contemplar todas as combinações é
elevado. Neste caso, recomenda-se a técnica de fracionamento, que permite reduzir o número de
cenários pela metade ou mais, sem perder informações relevantes. O fracionamento do número de
cenários deve ser realizado de forma a garantir o cálculo dos efeitos principais dos atributos e dos
efeitos de interações de dois atributos. Desta forma, perde-se apenas o cálculo dos efeitos de interações
de mais alta ordem entre os atributos que, via de regra, não são significativas (Montgomery, 1991). O
fracionamento é bastante recomendado pois aumenta a relação custo/benefício de uma pesquisa, pois
reduz-se o número de cenários sem perder nenhuma informação relevante. O modelo estatístico
escolhido deve incorporar o melhor compromisso entre custo e informação, pois além de fornecer
resultados válidos estatisticamente, a pesquisa deve ser prática de executar. No estudo do setor
automotivo, usou-se um projeto fatorial fracionado ao meio (2 5-1=16), onde se investigou 16 cenários,
isto é, metade dos 32 cenários de um projeto fatorial completo (2 5=32).
2.3.6. Projetar o instrumento de coleta de dados
Idealmente, o respondente é apresentado a um cartão com todos os cenários, dentre os quais
ele deve escolher apenas um. Muitas vezes, o número de cenários é elevado e o respondente não
consegue ou demora demasiadamente para fazer uma escolha-simples entre todos os cenários. Uma
solução é apresentar apenas um subconjunto dos cenários em um cartão e solicitar para o respondente
escolher entre os cenários daquele cartão. No entanto, se os cenários não forem adequadamente
subdividos entre os cartões, as diferenças entre os cartões podem inflacionar o erro. Para resolver esse
problema, recomenda-se a técnica de blocagem, que permite dividir o número total de cenários, por
exemplo, 16 cenários em quatro cartões (blocos), cada um contendo ¼ dos cenários (1 cartão = 1 bloco
= 4 cenários). A técnica de blocagem garante que cada nível de um atributo aparece o mesmo número
de vezes em um cartão (bloco), de forma a assegurar que o efeito da variabilidade entre os cartões seja
removido do erro experimental, fornecendo uma avaliação mais precisa da significância dos atributos
principais. Maiores detalhes sobre a técnica de blocagem podem ser vistos em MONTGOMERY (1991).
No estudo do setor automotivo, os 16 cenários foram subdividos em 4 cartelas (blocos), usando-se a
técnica de blocagem. Os cenários estão apresentados na Tabela 2.
Tabela 2.
Cenários da pesquisa de mercado do setor automotivo.
cartela cenário A (potência)
A
A1
60
A
A2
100
A
A3
100
A
A4
60
B
B1
100
B
B2
60
B
B3
60
B
B4
100
C
C1
60
C
C2
100
C
C3
100
C
C4
60
D
D1
100
D
D2
60
D
D3
60
B (freio)
ABS
convencional
convencional
ABS
convencional
ABS
ABS
convencional
convencional
ABS
ABS
convencional
ABS
convencional
convencional
C (direção) D (air bag)
convencional
não
hidráulica
sim
hidráulica
não
convencional
sim
convencional
não
hidráulica
sim
hidráulica
não
convencional
sim
hidráulica
não
convencional
sim
convencional
não
hidráulica
sim
hidráulica
não
convencional
sim
convencional
não
E (preço)
custo - 5%
custo - 5%
custo + 5%
custo + 5%
custo - 5%
custo - 5%
custo + 5%
custo + 5%
custo – 5%
custo – 5%
custo + 5%
custo + 5%
custo – 5%
custo – 5%
custo + 5%
D
D4
100
ABS
hidráulica
sim
custo + 5%
2.3.7. Definir a variável de resposta e escala
Nesse passo escolhe-se a variável de resposta a ser utilizada na Conjoint Analysis. Ela deve
quantificar objetivamente a preferência ou a intenção de compra. Em outras palavras, os respondentes
expressam sua preferência através de uma variável de resposta que pode ser do tipo: escolha-simples de
um cenário, ordenação dos cenários ou atribuição de notas para os cenários usando uma escala.
No estudo do setor automotivo, para cada pessoa entrevistada foram mostradas as quatro
cartelas, sendo que o entrevistado deveria escolher um cenário entre as quatro opções de cada cartela. O
cenário escolhido recebe 1 ponto. Uma vez escolhido um cenário em cada uma das quatro cartelas, o
entrevistado deveria escolher um entre as quatro cenários selecionados, sendo que este cenário recebe
mais dois pontos. Ao final das entrevistas, são somados os pontos de cada cenário e obtém-se assim a
variável de resposta para cada cenário.
Por exemplo, se o entrevistado 1 escolheu os cenários A2, B3, C2 e D1 respectivamente, nas
cartelas A, B C e D e por fim escolheu o cenário B3 como o melhor dos quatro cenário, temos a
seguinte pontuação, conforme apresentado na primeira linha da Tabela 3.
Tabela 3.
Entrevistados
Entrevistado 1
..
Entrevistado n
Soma dos pontos
Variável de resposta para o estudo do setor automotivo.
Cartelas
A1 A2 A3 A4 B1 B2 B3 B4 C1 C2 C3 C4 D1 D2 D3 D4
1
3
1
1
3
1
1
1
2.3.8. Avaliar as vantagens de rodadas prévias
Muitas vezes é interessante realizar questionários prévios, que antecedem a realização da
pesquisa, para avaliar a qualidade do instrumento de coleta e eventualmente realizar algumas correções.
Segundo HAHN (1977), projetar um experimento, e consequentemente uma pesquisa de mercado, é um
processo iterativo, exigindo retrabalho sempre que surgem informações novas ou quando os dados
preliminares estão disponíveis.
2.3.9. Condução da pesquisa de mercado
Nesta fase é oletada a opinião dos consumidores, obdecendo o número de questionários por
estrato necessário para representar estatisticamente a população de interesse.
2.4.
Análise dos resultados
Uma vez realizada a pesquisa de mercado, é necessário analisar os dados. A análise dos
dados difere dependendo do tipo de variável de resposta escolhida. Por exemplo, se a variável de
resposta for do tipo atribuição de notas segundo uma escala de 0 a 10, a distribuição segue
aproximadamente o modelo Normal, logo pode-se utilizar técnicas como Análise de Variância
(ANOVA) e Regressão Múltipla. Se a variável de resposta for do tipo escolha-simples, ela será uma
variável binária pois o respondente escolherá ou não um determinado cenário, logo utiliza-se tabelas de
freqüência, regressão logística e regressão loglinear. No entanto, se a pesquisa foi aplicada a um grande
número de respondentes, a variável de resposta (totais) seguirá aproximadamente o modelo Normal, e
dessa forma, pode-se utilizar o papel de probabilidade Normal, ANOVA ou Regressão Múltipla. Os
resultados da pesquisa no setor automotivo não serão apresentados neste artigo devido à limitação do
número de páginas. Um segundo artigo, discutindo os resultados, está em elaboração.
2.4.1. Modelagem do processo de tomada de decisão
A Regressão Múltipla permite a construção de modelos a partir da informação coletada na
pesquisa, que relacionam a decisão de compra (variável dependente) com os atributos (variáveis
independentes) que influenciam o processo de decisão. Com isso, a equipe tem a oportunidade de
aprender importantes aspectos sobre a decisão de compra. Conforme o caso, os modelos de regressão
podem incluir efeitos lineares, efeitos quadráticos, interações de atributos ou efeitos não lineares mais
complexos. Os modelos de regressão são avaliados por um coeficiente de determinação R2 que avalia o
percentual da variabilidade do processo de decisão que é explicado pelo modelo de regressão (atributos
estudados). Maiores detalhes sobre regressão múltipla ver em MONTGOMERY & PECK (1991).
2.4.2. Estimativa da previsão de demanda para os diferentes cenários
Neste passo realiza-se a estimativa de previsão de compra ou previsão de demanda, através
dos modelos de regressão, para os diferentes cenários. Quanto maior o valor do R2, maior será a
precisão das estimativas de previsão de compra. Uma vantagem da modelagem, é o fato de se poder
estimar a previsão de compra para níveis intermediários dos atributos controláveis. Assim, a estimativa
da previsão de compra não fica restrita aos níveis dos atributos que foram investigados na pesquisa de
mercado. Pode-se fazer estimativas da previsão de venda para qualquer nível dentro do intervalo
investigado na pesquisa e, com alguma reserva, também podem ser feitas extrapolações.
2.4.3. Identificação dos níveis dos atributos do cenário preferido
Os modelos obtidos estimam as previsões de compra considerando exclusivamente os
atributos que apresentam efeito significativo. A significância do efeito dos diversos atributos do modelo
é verificada, por exemplo, através do valor da probabilidade p (p<0,05) fornecida nas rotinas de
regressão múltipla. Com isso, pode-se identificar os níveis dos atributos que geram o cenário preferido,
ou seja, aqueles níveis dos atributos que devem ser lançados no mercado, pois geram um produto com a
maior estimativa de previsão de compra. A identificação de atributos que não tenham efeito
significativo (p>0,05) sobre a decisão de compra é igualmente importante, pois para esses atributos
escolhe-se níveis que são mais econômicos. Dessa forma, maximiza-se a qualidade de um produto,
através dos atributos controláveis com efeito significativo, e minimiza-se o custo, através dos atributos
controláveis que não tenham efeito significativo sobre o processo de decisão de compra. Por exemplo,
se o tipo de freio não influenciar significativamente na decisão de compra, ele deve ser fixado no seu
nível mais baixo, pois isso permite uma redução do custo do produto.
3. Conclusão
Este artigo apresentou uma seqüência de etapas para a realização de uma pesquisa de
mercado utilizando Conjoint Analysis. As etapas sugeridas pelos autores foram: (i) formação da equipe
e identificação do problema; (ii) determinação da população e amostra; (iii) planejamento e condução
da pesquisa, (iv) análise dos resultados.
A etapa de formação da equipe e identificação do problema envolve a identificação dos
objetivos do estudo e a definição dos recursos disponíveis. A etapa da determinação da população e
amostra envolve a definição da população de interesse; definição da forma de levantamento dos dados;
definição dos procedimentos de amostragem; definição dos estratos da população e definição do número
de questionários. A etapa de planejamento e condução da pesquisa envolve a identificação de todos os
atributos que afetam o processo de decisão; seleção dos atributos a serem investigados, mantidos
constantes ou tratados como ruído; identificação de possíveis interações envolvendo atributos e/ou
variáveis de estratificação; definição do intervalo de estudo e número de níveis dos atributos; definição
do modelo estatístico e cenários correspondentes; desenho do instrumento de coleta de dados; definição
da variável de resposta e escala apropriada; avaliação das vantagens de rodadas prévias e condução da
pesquisa. A etapa de análise dos resultados envolve a modelagem do processo de tomada de decisão,
através de regressão múltipla, regressão logística ou outras técnicas; estimativa da previsão de demanda
para os diferentes cenários e identificação dos níveis dos atributos do cenário preferido.
As etapas sugeridas fornecem um roteiro completo para a realização com sucesso de uma
pesquisa de mercado usando Conjoint Analysis. Essa ferramenta proporciona às empresas um meio
para quantificar os valores implícitos na tomada de decisão dos seus consumidores e dessa forma
auxiliar na definição de suas estratégias de negócios.
Referências Bibliográficas
GUSTAFSSON, A.; EKDAHL, F. & BERGMAN, E. Conjoint Analysis: A useful tool in the design
process. Total quality management, Abingdon, v.10. pp.327-339, 1999.
HAHN, G. J. Some things engineerings should know about experimental design. Journal of Quality
Technology, v. 9, n. 1, p.13-20,1977.
INTELLIQUEST Preference Struture Measurement: Conjoint Analysis and Related Techiniques.
American Marketing Association, 199_.
MONTGOMERY, D. C. Design and Analysis of experiments. New York: John Wiley and Sons, 3nd
ed., 1991.
MONTGOMERY, D. C. & PECK, E. A. Introduction to Linear Regression. New York: John Wiley
and Sons, 2nd ed., 1991.
RIBEIRO, J. L.; ECHEVESTE, M. & DANILEVICZ, A. M. Pesquisa de mercado e QFD. Notas de
aula, Programa de Pós-graduação em Engenharia de Produção PPGEP-UFRGS, 2000.