Análise de drivers-chave (key driver analysis)

A análise de drivers-chave (key driver analysis, KDA) mostra quais atributos de um produto, serviço ou ambiente de trabalho estão mais ligados a um resultado geral, como satisfação, probabilidade de recomendar ou engajamento dos funcionários. Ela indica onde uma melhoria tem mais chance de mexer no indicador principal, para você decidir o que corrigir primeiro.

Os dados vêm de uma única pesquisa: uma pergunta de resultado (por exemplo, a pergunta de 0 a 10 do NPS) e as notas de vários atributos dadas pelas mesmas pessoas, como suporte, preço, facilidade de uso ou prazo de entrega. Em RH, o mesmo método serve para encontrar os fatores de engajamento.

Importância declarada e importância derivada

Você pode perguntar direto "Qual a importância do preço para você?". Essa é a importância declarada, e ela tende a marcar quase tudo como importante. A análise de drivers usa a importância derivada: mede o quanto cada atributo varia junto com o resultado entre os respondentes. As duas costumam discordar. A importância derivada parte de como as pessoas avaliam você na prática, e não do que dizem que importa, e por isso a KDA a usa para definir prioridades.

Métodos, do mais simples ao mais avançado

Correlação

Calcule a correlação entre cada atributo e o resultado. Use o r de Pearson para notas tratadas como intervalares e o rho de Spearman para postos ou escalas ordinais curtas. É rápido e fácil de explicar, mas quando dois atributos se sobrepõem (rapidez e qualidade do suporte), os dois levam o crédito inteiro. Veja análise de correlação.

Regressão múltipla

Faça uma regressão do resultado sobre todos os atributos ao mesmo tempo e compare os coeficientes padronizados (betas). A regressão leva a sobreposição em conta, mas quando os atributos são muito correlacionados entre si (multicolinearidade), os betas ficam instáveis e podem até sair negativos para um atributo que claramente ajuda. Veja análise de regressão.

Métodos de importância relativa

Os pesos relativos de Johnson (Johnson, 2000) e a regressão por valores de Shapley (Lipovetsky e Conklin, 2001) dividem a variância explicada do modelo (R²) entre os atributos. Cada peso é positivo e a soma dá o R², o que facilita a leitura e deixa o resultado mais estável quando os drivers são correlacionados. Para calcular, você precisa de um pacote estatístico ou de um script curto.

Exemplo

Uma empresa de software pesquisa 400 clientes (números ilustrativos, não são dados reais). Cada pessoa responde à pergunta de recomendação de 0 a 10 e dá nota de 1 a 5 a cinco atributos.

Coloque a importância (r) contra o desempenho (nota média) em um gráfico e divida-o nas médias dos dois eixos, aqui r ≈ 0,39 e nota ≈ 3,5. Os quatro quadrantes se leem assim:

• Importância alta, desempenho baixo: corrigir primeiro. Aqui, velocidade e estabilidade.
• Importância alta, desempenho alto: pontos fortes a proteger. Suporte e facilidade de uso.
• Importância baixa, desempenho baixo: questões secundárias. Custo-benefício e integrações.
• Importância baixa, desempenho alto: possível excesso de investimento.

Esse gráfico também é chamado de matriz de importância e desempenho e combina bem com a análise de lacunas.

Quantas respostas você precisa

Green (1991) propôs uma regra prática muito citada para regressão: pelo menos 50 + 8k respondentes para testar o modelo como um todo e 104 + k para testar cada preditor, em que k é o número de atributos. Com 5 atributos, isso dá 90 e 109. Se você quer drivers por segmento, cada segmento precisa desse número sozinho.

Erros comuns

• Ler drivers como causas. A KDA mostra associação. Clientes que gostam do seu suporte talvez gostem de tudo na sua empresa (efeito halo). Confirme decisões grandes com um experimento ou com mais pesquisa.
• Atributos sobrepostos. "Suporte rápido" e "suporte prestativo" medem quase a mesma coisa e dividem o crédito. Verifique a sobreposição com uma análise fatorial ou agrupe itens parecidos.
• Ignorar o desempenho. Um atributo muito importante com nota máxima não precisa de ação. Leia sempre a importância junto com a nota média.
• Poucas respostas ou atributos demais para a amostra, o que faz a ordem mudar de uma onda para outra.
• Tratar r = 0,47 e r = 0,49 como diferentes. Diferenças pequenas entre drivers costumam estar dentro do ruído. Agrupe os drivers em níveis em vez de uma ordem exata.

Como fazer a análise de drivers com dados de pesquisa

1. Pergunte o resultado e as notas dos atributos na mesma pesquisa, com a mesma escala para todos os atributos. Uma pergunta de matriz deixa tudo compacto; veja pergunta de matriz.
2. Faça a lista de atributos cobrir toda a experiência, com cada item tratando de uma coisa só.
3. Exporte as respostas. O SurveyNinja exporta em CSV, XLSX e SPSS em todos os planos, inclusive no gratuito.
4. Para uma leitura rápida, cole o resultado e um atributo na calculadora de correlação de Pearson e receba r, r² e o valor-p, ou use a calculadora de correlação de Spearman para postos. Para regressão ou pesos relativos, use um pacote estatístico.
5. Monte o gráfico de importância e desempenho e defina donos para o quadrante "corrigir primeiro".