Análise Conjoint: o que é, tipos e como aplicar na prática

Por Equipe VisionCX · 13 de julho de 2026 · Leitura de ~8 min

Se você já pediu opinião a clientes sobre um produto, provavelmente ouviu que todos querem o melhor de tudo pelo menor preço possível. O problema é que a decisão de compra real não funciona assim: no mundo real, as pessoas precisam abrir mão de algo. A análise conjoint (ou conjoint analysis) é o método de pesquisa criado justamente para revelar esses trade-offs e mostrar o que o cliente realmente valoriza quando é obrigado a escolher. Neste guia, você vai entender o que é a conjoint, seus principais tipos, quantas pessoas entrevistar e um passo a passo prático para aplicar na realidade de uma PME brasileira.

O que é análise conjoint

A análise conjoint é uma técnica quantitativa de pesquisa que mede como as pessoas atribuem valor às diferentes características de um produto ou serviço. Em vez de perguntar diretamente "o que é importante para você?", a conjoint apresenta combinações realistas de produto e pede que o respondente escolha, avalie ou ordene. A partir dessas respostas, um modelo estatístico decompõe cada escolha e calcula o peso oculto de cada característica.

O nome vem de "considered jointly" (considerado em conjunto): o cliente não avalia preço, marca e prazo separadamente, mas o pacote inteiro de uma vez, exatamente como faria numa prateleira ou numa tela de checkout. Por isso a conjoint analysis captura decisões muito mais próximas do comportamento real do que uma pergunta isolada consegue. Ela é, no fundo, uma forma de preferência revelada: mede o que a pessoa faz, não apenas o que ela diz.

Os três conceitos que você precisa dominar

Toda conjoint gira em torno de três ideias. Entendê-las já resolve boa parte do método:

• Atributos: as características que compõem o produto. Ex.: preço, marca, prazo de entrega, tamanho da embalagem, tipo de suporte.
• Níveis: as opções dentro de cada atributo. Para o atributo "preço", os níveis poderiam ser R$ 29, R$ 39 e R$ 49. Para "prazo de entrega", 2 dias, 5 dias e 10 dias.
• Utilidade (part-worth): o valor numérico que a análise calcula para cada nível, indicando o quanto ele contribui para a atratividade do produto.

A partir das utilidades, chegamos à importância relativa de cada atributo. Atenção a um ponto que muita gente erra: a importância não vem de somar utilidades, e sim da amplitude (a diferença entre o melhor e o pior nível) de cada atributo. Quanto maior essa amplitude, mais aquele atributo pesa na decisão. Dividindo a amplitude de cada atributo pela soma de todas as amplitudes, obtemos a importância em porcentagem.

Por que a conjoint é melhor do que perguntar direto

Imagine que você tem um pequeno delivery de marmitas fitness e pergunta aos clientes: "você prefere preço baixo ou entrega rápida?". Quase todos vão querer os dois. A resposta não ajuda a decidir nada.

Agora, na conjoint, você mostra combinações como "marmita a R$ 32 com entrega em 90 minutos" contra "marmita a R$ 26 com entrega em 3 horas" e pede que a pessoa escolha uma. Ao repetir esse jogo de escolhas algumas vezes, com combinações diferentes, o método descobre exatamente quanto de rapidez o cliente troca por desconto, e vice-versa. É a diferença entre opinião declarada e preferência revelada.

A conjoint não pergunta o que o cliente diz que quer. Ela observa o que ele escolhe quando precisa abrir mão de algo, que é como as compras acontecem de verdade.

Os principais tipos de conjoint analysis

Existem várias famílias de análise conjoint. Cada uma se ajusta melhor a um cenário. Veja as mais usadas:

Conjoint baseada em escolha (CBC)

Também chamada de escolha discreta, é a mais popular hoje. O respondente vê de 2 a 4 perfis de produto lado a lado e escolhe um (ou marca "nenhum"). A opção "nenhum" é importante: ela evita forçar uma compra que, na vida real, a pessoa não faria, e torna a simulação mais honesta. A CBC é a que mais se parece com a compra real e a que melhor serve para simular participação de mercado e testar preço.

Conjoint adaptativa (ACA)

A pesquisa se ajusta em tempo real, focando nos atributos que aquele respondente demonstrou valorizar. É útil quando o produto tem muitos atributos e uma pesquisa fixa cansaria demais as pessoas, como em software corporativo ou automóveis. Uma limitação conhecida da ACA é lidar pior com a sensibilidade a preço do que a CBC, por isso ela costuma ser evitada em estudos cujo foco principal é precificação.

Conjoint adaptativa baseada em escolha (ACBC)

Une o realismo da CBC com a flexibilidade da adaptativa. O respondente primeiro indica requisitos obrigatórios e itens inaceitáveis ("tem que ter garantia", "não pago mais de R$ 90") e só depois entra nas tarefas de escolha, que passam a girar em torno do produto que interessa a ele. É ótima para produtos configuráveis, como notebooks ou planos, e tende a engajar mais o respondente, embora leve mais tempo para responder.

Conjoint por menu (MBC)

O respondente monta o próprio produto escolhendo itens de um cardápio, com preços que se somam. Ideal para pacotes e combos: planos de telecom, montagem de assinatura, combos de fast-food. Permite estudar não só o que a pessoa escolhe, mas também quais itens ela combina.

Conjoint tradicional (full-profile) e MaxDiff

A tradicional pede que a pessoa ordene ou avalie perfis completos, funcionando bem apenas com poucos atributos. Já o MaxDiff (melhor-pior) não é exatamente uma conjoint, mas é primo próximo: pede que a pessoa aponte o item mais e o menos importante de uma lista curta, repetidamente. É excelente para priorizar funcionalidades ou mensagens antes de um estudo mais completo, porque produz um ranking claro e livre da tendência de marcar tudo como "muito importante".

Como aplicar análise conjoint: passo a passo

Não deixe a estatística assustar. A parte pesada, hoje, fica por conta da ferramenta. Seu trabalho está no desenho e na interpretação. Siga esta sequência:

1. Defina a decisão de negócio. O que você precisa descobrir? Qual preço cobrar? Que combinação de plano lançar? Comece pela pergunta, não pelo método.
2. Escolha os atributos. Fique entre 4 e 6. Muitos atributos cansam o respondente e derrubam a qualidade das respostas. Priorize os que realmente influenciam a compra e garanta que sejam independentes entre si.
3. Defina os níveis. De 2 a 4 níveis por atributo, realistas e comparáveis. Preços fora da realidade contaminam o modelo. Procure equilibrar o número de níveis entre os atributos, porque atributos com muitos níveis tendem a parecer artificialmente mais importantes.
4. Monte as tarefas de escolha. A ferramenta usa desenho experimental para gerar combinações eficientes, evitando testar todas as possibilidades (que seriam centenas ou milhares).
5. Colete as respostas. Distribua a pesquisa para uma amostra representativa do seu público, não só para os fãs. Canais como o WhatsApp aumentam muito a taxa de resposta no Brasil.
6. Estime utilidades e importância relativa. A plataforma calcula os part-worths (por regressão logística ou por modelos bayesianos hierárquicos, que estimam preferências individuais) e mostra o peso de cada atributo.
7. Simule cenários. Use o simulador de mercado para testar combinações de produto e ver qual conquistaria maior preferência, ou qual preço maximiza a receita sem perder demanda.

Exemplo prático: uma cafeteria de bairro

Suponha uma cafeteria que quer lançar um plano de assinatura de café. Ela define quatro atributos e seus níveis:

• Preço mensal: R$ 49, R$ 69, R$ 89
• Cafés por mês: 10, 20, ilimitado
• Benefício extra: nenhum, 10% em salgados, brinde no aniversário
• Retirada: só no balcão, balcão + drive-thru

Depois de 220 clientes escolherem entre combinações desses perfis, a análise revela que "cafés ilimitados" pesa 41% na decisão, o preço pesa 33%, e o drive-thru, que a dona achava decisivo, pesa apenas 9%. No simulador, o plano ilimitado a R$ 89 aparece como o de maior receita esperada. Com isso, ela lança esse plano e adia o investimento no drive-thru para depois. Isso é a conjoint analysis transformando escolhas de clientes em decisão de negócio.

Erros comuns que sabotam o estudo

• Atributos demais: mais de 6 costuma gerar respostas de baixa qualidade por fadiga.
• Níveis irreais: incluir um preço absurdo distorce todo o modelo.
• Desequilíbrio de níveis: dar muitos níveis a um atributo e poucos a outro infla artificialmente a importância do primeiro.
• Amostra enviesada: entrevistar só os clientes mais fiéis não representa o mercado.
• Ignorar segmentos: o "cliente médio" pode não existir; analisar por segmento revela oportunidades escondidas.
• Parar na coleta: a conjoint só entrega valor quando você usa o simulador para testar decisões concretas.

Onde a conjoint se encaixa na sua estratégia de CX

A análise conjoint responde a uma pergunta específica: o que priorizar no produto e no preço. Ela conversa muito bem com os outros métodos do seu programa de experiência do cliente. Use a voz do cliente (VoC) para descobrir quais atributos entram no estudo, mapeie a jornada do cliente para saber em que ponto a decisão de compra acontece, e acompanhe métricas como NPS e CSAT depois do lançamento. Na dúvida sobre qual indicador usar em cada momento, vale conferir quando usar NPS, CSAT ou CES.

Com a VisionCX, você desenha as tarefas de escolha, distribui a pesquisa por WhatsApp para alcançar respondentes reais e deixa a plataforma cuidar do desenho experimental, das utilidades, da importância relativa e das simulações, com análise em português apoiada por IA. Assim, mesmo sem um estatístico na equipe, sua PME transforma escolhas de clientes em decisões de produto e de preço com segurança.

Quer aplicar conjoint analysis sem depender de planilhas complicadas? Conheça a VisionCX e descubra, na prática, o que seus clientes realmente valorizam.

Faz parte do tema Métodos avançados.