Conjoint: a ciência por trás da decisão do cliente

Como bancos, fintechs e seguradoras podem prever o que o cliente vai escolher — antes de lançar o produto 

O dilema de escolher 

Há um conceito que atravessa quase todas as decisões que tomamos: o trade-off. O “perde e ganha”. Trocar uma coisa por outra e conviver com o desconforto de nunca ter as duas ao mesmo tempo. Aparece na economia, quando abrimos mão de um consumo para viabilizar outro. Aparece na logística, quando uma empresa investe pesado numa frente do negócio e sente o custo disso em outra. E aparece na vida pessoal, quando alguém troca um salário maior por uma rotina mais leve. 

Barry Schwartz escreveu um livro inteiro sobre isso, “O Paradoxo da Escolha”, argumentando que o excesso de opções — em vez de nos libertar — costuma nos paralisar. Educação, carreira, relacionamentos, consumo: em quase toda esfera da vida, decidir virou uma tarefa cognitivamente cara. 

Empresas que desenham produtos enfrentam a versão espelhada desse problema. Elas também precisam decidir — só que a decisão é sobre quais trade-offs oferecer ao cliente, e em que combinação. É exatamente aí que entra a conjoint analysis, uma das técnicas de pesquisa mais mal compreendidas do mercado. Já ouvi de tudo sobre ela: “é complicada demais”, “isso é para empresa grande”, “quase ninguém sabe aplicar direito”, “custa uma fortuna”. Vale desmontar esses mitos um por um — e depois olhar com calma para um setor que tem tudo a ganhar com essa técnica e ainda a usa pouco: o financeiro. 

O que é, afinal, a conjoint analysis 

Análise conjunta — ou conjoint analysis — é uma técnica estatística de pesquisa de mercado criada para responder a uma pergunta simples de formular e difícil de responder: quando um cliente escolhe entre várias opções de produto, o que ele realmente está valorizando? 

A técnica nasceu na psicologia matemática e chegou ao marketing pelas mãos de Paul Green, professor da Wharton School, na Universidade da Pensilvânia. Outros nomes ajudaram a consolidá-la: V. “Seenu” Srinivasan, de Stanford, que desenvolveu métodos de programação linear para classificar preferências; Richard Johnson, fundador da Sawtooth Software, que criou a análise conjunta adaptativa nos anos 1980; e Jordan Louviere, da Universidade de Iowa, que desenvolveu as abordagens baseadas em escolha e o Best-Worst Scaling. Não é uma moda recente — é uma disciplina com mais de quatro décadas de maturação. 

Na prática, a técnica parte de uma premissa simples: um produto não é uma coisa só, é uma soma de atributos. Um cartão de crédito é anuidade, é cashback, é programa de milhas, é seguro viagem embutido. Um empréstimo é taxa de juros, é prazo, é carência, é forma de pagamento. Em vez de perguntar diretamente “o que você mais valoriza, a taxa ou o prazo?” — pergunta que a maioria das pessoas responde mal, porque não é assim que a cabeça humana pesa prioridades — a conjoint apresenta ao respondente pacotes completos, com essas características combinadas de formas diferentes, e observa o que ele escolhe. 

É a diferença entre perguntar “o que é mais importante para você?” e simplesmente colocar a pessoa diante da prateleira e ver o que ela pega. A segunda abordagem imita a decisão real de compra, e é justamente por isso que a conjoint se popularizou: ela é mais fiel ao comportamento do que um teste de conceito tradicional ou uma pergunta direta. 

O resultado desse exercício repetido — dezenas de combinações, respondente após respondente — é um conjunto de “utilidades” (ou part-worths) para cada nível de cada atributo. Esses números dizem, com uma precisão que a pergunta direta nunca alcançaria, quanto vale para o cliente médio (e para cada segmento) sair de “prazo de 12 meses” para “prazo de 24 meses”, ou de “sem seguro” para “com seguro incluso”. A partir daí dá para simular cenários, prever participação de mercado de um novo produto e até estimar receita e rentabilidade antes de ele existir de fato. 

Os métodos não são todos iguais 

Existe mais de uma forma de rodar uma conjoint, e escolher o método certo é metade do trabalho bem-feito. Alguns servem para poucos atributos e amostras pequenas; outros foram desenhados para cenários competitivos complexos, com dezenas de variáveis e milhares de respondentes. 

Não existe método universalmente “melhor” — existe o método adequado à pergunta de negócio, ao número de variáveis em jogo e ao tamanho de amostra disponível. É aqui que boa parte dos projetos de conjoint desanda: escolhe-se a ferramenta pela familiaridade da equipe, não pelo problema que precisa ser resolvido. 

Quem faz esse tipo de pesquisa 

Conjoint não é algo que se monta num formulário improvisado. Por trás de um estudo bem feito há um desenho experimental — decidir quais combinações de atributos serão mostradas para não sobrecarregar o respondente nem comprometer a robustez estatística —, um software especializado para gerar e analisar esses desenhos, e alguém com bagagem em estatística para interpretar os resultados e transformá-los em decisão de negócio. 

No mercado, isso normalmente é conduzido por institutos de pesquisa e consultorias especializadas em pricing e comportamento do consumidor. Na Bridge, temos equipes especialistas para aplicar e desenvolver modelos estatísticos para cada projeto.  Nossa estrutura robusta e tecnológica integra ciência de dados e soluções de inteligência artificial a todas as etapas da pesquisa, trazendo precisão, agilidade e qualidade na extração de insights.  

O que a técnica entrega — 

A conjoint tem vantagens bem documentadas. Ela estima as trocas psicológicas reais que um consumidor faz ao avaliar vários atributos ao mesmo tempo, algo que perguntas diretas raramente capturam. Mede preferência no nível individual, não só na média da amostra. Revela direcionadores de decisão que muitas vezes nem o próprio respondente sabe articular conscientemente. E, quando bem desenhada, permite construir segmentações baseadas em necessidade — grupos de clientes que valorizam combinações de atributos diferentes entre si. 

Mas ela também tem limites que vale conhecer antes de contratar um estudo. O desenho de uma conjoint pode ficar complexo rapidamente. Diante de excesso de opções, o respondente tende a recorrer a atalhos mentais para simplificar a escolha, o que pode distorcer o resultado. A técnica não é a ferramenta certa para entender posicionamento de marca, porque não existe um caminho direto entre a percepção de atributos concretos e a percepção de marca como um todo. Estudos malconduzidos tendem a supervalorizar variáveis emocionais e subestimar variáveis concretas. E, como o exercício é hipotético, ele não incorpora automaticamente a quantidade comprada por cliente — o que pode distorcer a leitura de participação de mercado se essa variável não for tratada à parte. 

Conhecer essas duas colunas — o que a técnica resolve bem e onde é seu limite — é o que separa um projeto de conjoint que entrega as respostas que sua empresa busca. 

Por que o setor financeiro deveria prestar atenção 

A área de marketing de bens de consumo é, disparado, a maior usuária de conjoint. Também aparece com força na indústria farmacêutica, para calibrar o quanto de efeito colateral um paciente aceita tolerar em troca de um tratamento mais eficaz. O setor financeiro, no entanto, ainda usa a técnica de forma tímida — o que é curioso, porque poucos setores vendem produtos tão feitos de trade-off quanto esse. 

Pense num cartão de crédito. Ele não é uma coisa só: é anuidade, é taxa de juros rotativo, é cashback, é pontos de milhagem, é seguro viagem, é atendimento, é limite. Pense num empréstimo: taxa, prazo, carência, IOF embutido ou destacado, garantia exigida. Uma conta digital: tarifa mensal, limite de Pix gratuito, rendimento automático do saldo, qualidade do atendimento, cartão de débito internacional. Um seguro: prêmio mensal, cobertura, franquia, assistências inclusas, rede credenciada. Um produto de investimento: taxa de administração, liquidez, garantia do FGC, histórico de rentabilidade, complexidade do produto. 

Em todos esses casos, perguntar diretamente ao cliente “o que você prefere, taxa menor ou prazo maior?” produz uma resposta socialmente aceitável e pouco confiável — quase todo mundo diz que quer as duas coisas, ou responde o que acha que soa mais razoável. A conjoint tira o cliente desse modo de resposta automática e o coloca diante de pacotes reais, forçando a escolha que ele de fato faria na hora de contratar. 

Isso abre um leque de aplicações bem concretas. Desenho de produto: decidir, antes de lançar um cartão ou uma conta, qual combinação de benefícios maximiza adesão sem inflar custo. Precificação: estimar a elasticidade real de taxa de juros, tarifa ou anuidade, e até quanto o cliente aceita pagar a mais por determinado benefício — a chamada disposição a pagar. Portfólio e simplificação de linha: muitos bancos mantêm dezenas de variações de um mesmo produto por acúmulo histórico, e a conjoint ajuda a identificar quais combinações realmente movem a agulha e quais só empatam custo operacional sem gerar preferência adicional. Segmentação por necessidade: em vez de segmentar só por renda ou perfil demográfico, segmentar por o que cada grupo troca por o quê — há quem priorize liquidez acima de rentabilidade, e há quem faça o oposto. Retenção e portabilidade: entender o que faria um cliente trocar de banco, e o que precisaria ser oferecido para reverter essa decisão antes que ela aconteça. 

As dores do setor financeiro que a conjoint ajuda a endereçar 

Bancos e fintechs brasileiros vivem hoje um aperto que não existia há dez anos. O open finance deu ao cliente uma visibilidade de tarifas e taxas que antes era opaca, e isso tornou produtos financeiros muito mais comparáveis — e, por consequência, mais comoditizados. Fintechs entraram com estruturas de custo mais leves e passaram a competir diretamente em preço, forçando bancos tradicionais a decidir onde vale a pena competir por tarifa e onde vale competir por experiência ou por confiança de marca. Ao mesmo tempo, o crédito segue caro no Brasil, e cada ponto de taxa oferecido a mais tem impacto direto no resultado — o que torna decidir “quanto vale um benefício para o cliente” uma pergunta cara de errar. 

Some a isso um comitê de produto que, cada vez mais, exige dado robusto antes de aprovar uma mudança de política de tarifa ou o lançamento de uma nova linha de crédito. “Achamos que o cliente vai gostar” não sobrevive mais numa reunião de comitê de risco ou de um conselho preocupado com margem. A conjoint entrega exatamente o que esse tipo de decisão pede: uma simulação de mercado com números — participação de mercado estimada, receita projetada, sensibilidade a preço — antes de qualquercentavo ser investido em desenvolvimento ou campanha. 

Há ainda a questão da personalização em escala, hoje um mantra em qualquer conversa sobre banco digital. Personalizar de verdade não é só trocar a cor do aplicativo por segmento de cliente — é saber que trade-offs cada segmento aceita fazer, e desenhar ofertas coerentes com isso. Sem uma técnica capaz de decompor a decisão em atributos e medir a utilidade de cada um, essa personalização vira suposição travestida de dado. 

Quando não vale a pena usar 

Vale um contraponto honesto, porque nem tudo é prego para o martelo da conjoint. Se o produto financeiro em questão tem só um ou dois atributos relevantes, uma pesquisa mais simples resolve com menos custo e menos tempo. Se a pergunta é sobre posicionamento de marca — “os clientes acham nosso banco mais confiável que o concorrente X?” — a conjoint não é o instrumento certo, porque ela mede reação a atributos concretos, não percepções de marca construídas ao longo de anos. E se o prazo de decisão é de dias, não de semanas, um bom estudo de conjoint dificilmente cabe no cronograma: desenho experimental, campo e análise levam tempo para ser feitos direito. 

Conclusão 

A técnica que Paul Green trouxe da psicologia matemática para o marketing, décadas atrás, resolve um problema que o setor financeiro carrega todos os dias: decidir quais trade-offs empurrar para o cliente e como precificar cada um deles.  A Conjoint não é bicho de sete cabeças e nem   exclusividade de empresa grande e, aplicada com o método certo para a pergunta certa, custa bem menos do que lançar um produto errado no mercado para descobrir, tarde demais, o que o cliente realmente valorizava.