O número conta quantos; o comentário conta por quê. Análise qualitativa e quantitativa juntas evitam dirigir com um olho fechado. No Supermercado Farol A nota da loja principal do Supermercado Farol, rede com cinco lojas, caiu 0,3 num mês. O número era claro, consistente e mudo: dizia que caiu, não dizia por quê. A reunião virou campeonato de palpite: o encarte fraco? o açougue? o calor? Cada palpite com um torcedor, nenhum com evidência. Dona Ivone, a fundadora, encerrou o campeonato com uma caixa de marca-textos. Ela e Caio, o gerente, imprimiram os 200 comentários do mês e leram um por um: verde para elogio, laranja para reclamação, uma palavra de categoria na margem. Na metade da pilha, o padrão já gritava: "padaria vazia à noite" e "só dois caixas abertos" apareciam em uma a cada quatro reclamações. Ninguém na sala tinha palpitado nem de longe naquilo. Análise qualitativa e quantitativa: dois modos de conhecer Toda pesquisa responde a duas famílias de pergunta: Quantitativa (quanti): quantos? quanto? com que frequência? Respostas em números, coletadas de muitos casos, comparáveis e agregáveis. É o território das notas, escalas e porcentagens. Qualitativa (quali): por quê? como? o que significa? Respostas em palavras, histórias e observações, coletadas em profundidade. No mundo do ponto de venda, sua forma mais comum é humilde: o campo de comentário livre do totem. O erro clássico do mercado é tratá-las como rivais: "dados duros" contra "opinião solta". A metodologia científica moderna as trata como fases complementares do mesmo ciclo: a quali gera hipóteses e explica mecanismos; a quanti testa hipóteses e mede magnitudes. Uma sem a outra fica cega de um jeito diferente. O que só o número faz Vale reafirmar a força da quanti antes de defender a quali: Por isso a espinha dorsal de qualquer programa contínuo de escuta é quantitativa. Mas ela tem três pontos cegos estruturais, e são exatamente os pontos fortes da quali. Ponto cego 1: o número não contém o porquê "A satisfação com o atendimento caiu de 4,3 para 3,8." Certo. E agora? Contratar mais gente? Treinar? Trocar a escala? O número aponta o incêndio, mas não diz o que está queimando. Um comentário diz: "a moça do caixa foi super atenciosa, mas fiquei 20 minutos na fila porque só havia um caixa aberto no horário do almoço." Uma frase, e o diagnóstico saltou de "atendimento ruim" (vago, injusto com a equipe) para "dimensionamento de caixas no pico" (específico, acionável, com dono). É a diferença entre saber que e saber por quê. Prática recomendada: nota sem comentário é semáforo sem mapa. A dupla fechada + aberta condicional existe para colher o porquê no momento em que ele está fresco. Ponto cego 2: o número só responde o que foi perguntado Um questionário quantitativo é um menu fechado: mede limpeza, espera, cordialidade… e é cego para tudo que não previu. Se o problema novo é "o QR code do cardápio não funciona", nenhuma das suas escalas vai captá-lo — ele não tem pergunta. O comentário aberto é o radar do inesperado: a única antena apontada para o desconhecido. Na literatura de desenvolvimento de produto isso tem tradição formal: o método "voz do cliente" (Voice of the Customer – VoC) de Griffin e Hauser mostrou que entrevistas e relatos em profundidade com clientes revelam necessidades que os instrumentos fechados não capturam, e que um número relativamente pequeno de conversas já revela a maioria das necessidades de um segmento. Prática recomendada: monitore os comentários procurando categorias que ainda não têm pergunta. Quando um tema novo se repete, ele se formou: merece virar pergunta fechada no fluxo (e aí a quanti assume a medição). Esse é o ciclo virtuoso: a quali descobre, a quanti dimensiona. Ponto cego 3: o número não carrega emoção nem linguagem "Insatisfeito: 23%" é informação. "Levei minha mãe de 80 anos para almoçar no aniversário dela e não havia uma única mesa acessível" é informação com temperatura, e temperatura move decisão (sem emoção, decisão trava). Além da emoção, o comentário entrega a linguagem do cliente: as palavras que ele usa para descrever o problema. Isso vale ouro duas vezes: para escrever perguntas melhores (é dos comentários que se aprende a língua do respondente) e para o storytelling com dados (uma citação verbatim bem escolhida vale um slide inteiro). Como analisar comentários sem virar refém deles A quali tem seus próprios rigores; sem eles, vira coleção de anedotas: 1. Codifique, não folheie. Análise séria de comentários é categorização sistemática: ler e etiquetar cada comentário em temas (as cinco dimensões da qualidade de serviço são um esquema inicial pronto), depois contar as etiquetas. A técnica formal se chama análise de conteúdo, e seu produto final é quantitativo: "31% dos comentários negativos citam espera". Quali e quanti se encontram aqui. 2. Cuidado com quem comenta. Comentário é opcional e custa esforço: quem comenta é amostra auto selecionada, tipicamente os extremos. Comentários dizem quais problemas existem, com riqueza; a proporção de cada problema se confirma na quanti. "Os comentários estão cheios de reclamação de fila" + "a nota de espera caiu" = evidência forte. Só a primeira metade = hipótese. 3. O verbatim ilustra, a contagem sustenta. No relatório, a citação individual dá rosto ao padrão, mas nunca o substitui. A história se ajusta aos dados, nunca o contrário. 4. Volume não se lê no braço, mas a curadoria continua humana. Ferramentas de análise de texto (hoje turbinadas por IA) classificam milhares de comentários em minutos. Úteis, desde que alguém audite as categorias por amostragem: classificador que ninguém confere é caixa-preta gerando confiança injustificada. De volta ao Farol No Farol, o número e o texto fecharam o caso juntos, cada um no seu ofício: a quanti dizia quantos (queda de 0,3, concentrada depois das 18h) e a quali dizia por quê (a última fornada da padaria saía às 17h, e a escala dos caixas não acompanhava o pico da saída do trabalho). Fornada extra às 19h, caixa reforçado no fim de dia, e a nota
Escala Likert: a régua de 90 anos que quase todo mundo usa errado
"Concordo totalmente" que você já respondeu uma escala Likert, mas montar uma boa é outra história. Nas Lojas Andorinha O RH das Lojas Andorinha, rede de moda com trinta lojas, lançou sua primeira pesquisa de clima com orgulho e uma escala desenhada em casa: quatro pontos, "para forçar posição", com os rótulos "ruim", "bom", "muito bom" e "excepcional". O resultado saiu cor-de-rosa: 91% do time entre "bom" e "excepcional", slide comemorativo pronto. A analista de dados da rede leu a escala antes de ler o resultado, e pediu para segurarem o slide. Três opções positivas contra uma negativa; nenhum meio honesto para quem estava "nem bem, nem mal"; e o degrau entre "ruim" e "bom" engolindo, num salto só, todo mundo que estava apenas insatisfeito, sem estar revoltado. A pesquisa não tinha medido o clima da rede. Tinha medido o clima da régua, e a régua nascera sorridente. A escala Likert: o problema que um psicólogo resolveu em 1932 Como se mede uma opinião? Um termômetro mede temperatura, uma balança mede peso, mas não existe aparelho que se aponte para uma pessoa e leia "satisfação: 7,3". Em 1932, o psicólogo americano Rensis Likert propôs, em sua tese de doutorado, uma solução tão simples que parece óbvia hoje: apresentar uma afirmação e pedir que a pessoa marque seu grau de concordância numa régua simétrica: "O atendimento da loja resolve meus problemas rapidamente."( ) Discordo totalmente ( ) Discordo ( ) Neutro ( ) Concordo ( ) Concordo totalmente Noventa anos depois, a escala Likert é o instrumento mais usado da pesquisa de opinião mundial, e um dos mais maltratados. Este artigo ensina a montar uma corretamente e a ler os resultados sem se enganar. A anatomia de uma Likert bem-feita 1. É uma afirmação, não uma pergunta.A escala mede reação a uma frase. "Como você avalia o atendimento?" com opções de "péssimo" a "ótimo" é uma escala de avaliação (rating): legítima, mas não é Likert. A distinção importa menos pelo nome e mais pela disciplina: a afirmação precisa ser clara, única e afirmável, e todas as regras de uma boa pergunta valem em dobro aqui. Afirmação dupla ("o atendimento é rápido e cordial") quebra a escala inteira. 2. Simetria: o mesmo número de degraus para cada lado.Duas opções positivas e duas negativas, com o neutro no centro. A pesquisa metodológica (resumida por Jon Krosnick, de Stanford, um dos maiores estudiosos de questionários) mostra que escalas desequilibradas empurram a resposta, e produzem aquele resultado suspeito de "94% de aprovação". 3. Todos os pontos rotulados.Krosnick e Fabrigar também documentaram que escalas com rótulos verbais em todos os pontos (e não só nas pontas) são mais confiáveis: as pessoas interpretam os degraus de forma mais parecida entre si. Números soltos (1 a 5, sem palavras) deixam cada respondente inventar sua própria régua. 4. Cinco ou sete pontos, e pronto.Décadas de estudos convergem: abaixo de 5 pontos perde-se sensibilidade; acima de 7, as pessoas não distinguem os degraus ("concordo moderadamente" vs. "concordo consideravelmente"?) e a qualidade não melhora. No contexto de coleta no ponto de venda (respondente em pé, no totem, com segundos de atenção), 5 pontos é o padrão sensato. 5. O dilema do ponto neutro.Com neutro, quem não tem opinião tem saída honesta. Sem neutro (escala de 4 ou 6), força-se a escolha de um lado. Não há resposta única: escalas pares evitam a "preguiça do meio" (marcar neutro para não pensar), mas fabricam opiniões de quem realmente não tem uma; e fabricar dado é pior que perder dado. A recomendação mais segura é manter o neutro, e quando a taxa de neutros for alta, tratar isso como informação ("os clientes não notaram esse aspecto") em vez de estorvo. Os três pecados na hora de analisar Montar bem é metade; a outra metade é ler direito. Pecado 1: tirar média como se fossem números de verdade.Os degraus da Likert são ordenados, mas não necessariamente equidistantes: a distância psicológica entre "concordo" e "concordo totalmente" pode não ser igual à distância entre "neutro" e "concordo". Tecnicamente, é uma escala ordinal, e há um debate metodológico honesto, com décadas de idas e vindas, sobre quando é aceitável tratá-la como numérica. A regra prática mais segura: média de um único item Likert é atalho arriscado; distribuição é sempre verdade. Reportar "72% concordam ou concordam totalmente; 11% discordam" comunica mais e engana menos do que "média 3,9" (a média esconde os extremos). Pecado 2: ignorar o estilo de resposta.Escalas de concordância sofrem de um viés conhecido: a aquiescência: a tendência humana de concordar com afirmações, qualquer afirmação. Parte dos "concordo" é pura gentileza. Antídotos: afirmações formuladas com neutralidade e, em questionários mais longos, alternar afirmações positivas e negativas para detectar quem concorda com tudo em linha reta (straightlining). Pecado 3: comparar escalas diferentes como se fossem iguais.A nota 4 numa escala de 5 não equivale a 8 numa escala de 10, nem o "concordo" de uma escala rotulada equivale ao "4" de uma escala numérica. Conversões de escala existem, mas são aproximações com perda. Regra de ouro para quem muda de questionário: mudou a escala, quebrou a série histórica: anote a data da mudança e compare com cuidado dali em diante. Likert no ponto de venda No ponto de venda, a escala Likert costuma aparecer em forma de perguntas de múltipla escolha, ou traduzida em linguagem visual: carinhas, estrelas, botões coloridos. A ciência é a mesma; os cuidados também: E um lembrete de humildade metodológica: a carinha mede a reação global daquele momento com altíssima taxa de resposta — essa é sua força. Para diagnóstico fino ("o problema é limpeza ou espera?"), ela precisa das perguntas específicas que vêm depois. Instrumento certo para cada trabalho. De volta à Andorinha Na Andorinha, a pesquisa de clima voltou a campo com uma régua honesta: cinco pontos simétricos, dois negativos, um meio de verdade, dois positivos, todos com rótulo. O retrato mudou: os 91% de céu azul viraram 63% de satisfeitos, 23% em cima do muro e 14% de insatisfeitos
Data storytelling: transformar números em decisão
Ninguém age por causa de uma planilha. Pessoas agem por causa de histórias — é essa a base do data storytelling. Nas Lojas Andorinha Sônia, diretora de operações das Lojas Andorinha, uma rede de moda com trinta lojas, preparou durante duas semanas a apresentação mais completa da sua carreira: catorze slides, seis tabelas, todos os cortes possíveis da pesquisa do trimestre. Nenhum número errado, nenhuma fonte faltando. A diretoria assistiu com educação. Duas perguntas gentis. Alguém elogiou "o volume de trabalho". A reunião terminou com a frase que mata análises: "vamos deixar amadurecer". No corredor, Sônia refez o caminho mental slide a slide, procurando o erro. Não achou: estava tudo certo. E foi isso que a incomodou a semana inteira. Se estava tudo certo, por que ninguém tinha levantado da cadeira? Catorze slides de verdade, e a decisão que ela veio buscar continuava exatamente onde estava antes da reunião. O relatório perfeito que não mudou nada Todo analista já viveu isso: semanas de trabalho, dados impecáveis, 40 slides, metodologia irretocável. A reunião acaba, todos elogiam… e nada acontece. Nenhuma decisão, nenhuma ação. O diagnóstico raramente é técnico. O relatório informava, mas não movia. E dados que não movem ninguém são, na prática, dados que não existem. Data storytelling é a disciplina de fechar esse último quilômetro: o caminho entre o número certo e a decisão tomada. O trabalho é estruturar a comunicação de dados do jeito que cérebros humanos decidem, o que tem muito pouco a ver com enfeitar gráficos. Por que histórias funcionam onde tabelas falham A explicação vem da ciência cognitiva, e passa por memória, atenção e decisão. O psicólogo Jerome Bruner, um dos fundadores da psicologia cognitiva, argumentava que a mente humana possui um "modo narrativo" de pensamento, tão básico quanto o modo lógico-analítico, e que informações organizadas em narrativa são mais lembradas do que as mesmas informações em lista. Some a isso o custo de atenção: uma tabela pede que o leitor encontre o que importa, enquanto uma história escolhe por ele. Numa reunião de 30 minutos, a diferença é brutal. O terceiro mecanismo é o menos óbvio. O neurocientista Antonio Damasio demonstrou, estudando pacientes com lesões nas áreas emocionais do cérebro, que sem emoção a decisão trava: pessoas com raciocínio lógico intacto, mas sem acesso às emoções, tornavam-se incapazes de decidir coisas simples. Decisão é um ato emocional informado por dados, e não o contrário. A síntese: dados fazem as pessoas saberem; histórias fazem as pessoas se importarem. O trabalho completo entrega os dois. A estrutura do data storytelling: toda história de dados tem 3 atos A boa notícia: não é preciso ser Spielberg. Histórias de dados eficazes seguem uma estrutura simples e reutilizável. Ato 1 — Contexto: "eis a situação"Onde estamos e por que isso importa para quem está ouvindo. Uma frase, não dez: "A satisfação da rede vinha estável há um ano em torno de NPS 60." Ato 2 — Conflito: "algo mudou / algo não fecha"A tensão que justifica a reunião: "Nos últimos dois meses, caímos para 48, e a queda está concentrada numa única etapa da experiência." Ato 3 — Resolução: "eis o que fazer"A recomendação, com o próximo passo concreto: "Os comentários apontam o novo processo de fila. Proposta: reverter em 3 lojas por duas semanas e medir a diferença." Repare no que essa estrutura obriga: começar pela mensagem, e não pelos bastidores. O caminho da análise (as 17 tabelas consultadas) interessa ao analista; à audiência interessa a situação, a tensão e a saída. Os bastidores vão para o apêndice: disponíveis para quem quiser auditar, invisíveis para quem precisa decidir. O gráfico certo para cada mensagem Regra de ouro, destilada do trabalho de referências como Stephen Few e Cole Nussbaumer Knaflic: um gráfico, uma mensagem. Primeiro escreva a frase que o gráfico deve provar; depois escolha o desenho que prova essa frase com menos esforço do leitor. E o princípio unificador de Edward Tufte, o decano da visualização de dados: maximize a tinta que carrega informação. Fundos decorativos, 3D, dez cores, molduras: tudo que não ajuda a mensagem, atrapalha. Gráfico limpo é respeito pela atenção do leitor. Um recurso simples e poderoso: o título do gráfico é a conclusão, não a descrição. Em vez de "NPS por mês", escreva "A queda do NPS começou com o novo processo de fila". O leitor apressado que só lê títulos (ou seja, quase todos) sai com a mensagem certa. A ética da história (o freio de mão) Aqui esta série se conecta consigo mesma: storytelling é uma ferramenta de persuasão, e toda ferramenta de persuasão pode virar arma contra a verdade (inclusive contra quem a usa). Quem constrói a narrativa está mais sujeito do que ninguém ao viés de confirmação (artigo sobre o manual dos vieses), e ao primo dele que a literatura chama de viés de história: a preferência do cérebro por explicações redondas, com começo, meio, causa e vilão, mesmo quando os dados sustentam apenas um "ainda não sabemos". A história boa demais merece o dobro da auditoria, precisamente porque convence sem esforço. Três salvaguardas inegociáveis: A regra-resumo: simplificar é remover o irrelevante; distorcer é remover o inconveniente. Por que isso importa Todo dashboard ou relatório de dados termina no mesmo lugar: um gestor olhando um gráfico entre um problema e outro do dia. Se aquele gráfico não contar uma história clara (o que aconteceu, onde, o que fazer), ele vira mais um painel bonito e ignorado. Data storytelling é competência central para quem monta propostas, relatórios e apresentações de resultado — não é enfeite, é o que decide se o dado vira ação. E o teste definitivo de uma história de dados bem contada não é o elogio no fim da reunião. É alguém perguntar: "ok, quem faz o quê até quando?" De volta à Andorinha Na Andorinha, a segunda tentativa tinha três atos e um só pedido. Situação: as lojas de shopping sustentam a margem da rede. Conflito: a nota de atendimento delas cai há quatro meses, puxada
Experimentos internos: como testar ideias antes de apostar alto
Antes de discutir por 3 reuniões, teste por 3 dias: é a lógica dos experimentos internos. Na Academia Ritmo A pauta “volume da música” chegou à terceira reunião consecutiva na Academia Ritmo, rede de academias com três unidades, com as mesmas duas torcidas e nenhum dado novo. Fábio, o dono, sustentava que música alta é energia: “aluno treina mais, fica mais”. Renata, a gerente, sustentava que o volume espantava o pessoal da manhã e os alunos de mais idade: “e aluno que não gosta não reclama; some”. A ata da reunião anterior podia ser lida em voz alta: era idêntica ao debate em curso. No minuto quarenta, Renata desistiu de vencer e fez a proposta que encerrou o loop: — A gente já gastou três reuniões de opinião. Isso custa mais caro que o teste. Duas unidades com volume menor de manhã, uma como está, duas semanas. A realidade desempata, e ela não cobra hora. A reunião em loop Toda empresa conhece a cena: uma ideia divide o time. Metade acha que vai funcionar, metade acha que não. Argumentos de um lado, argumentos do outro. A reunião acaba sem decisão. Duas semanas depois, a mesma discussão, com os mesmos argumentos, porque nenhuma informação nova entrou na sala. O empate entre opiniões não se resolve com mais opinião. Se resolve com dado novo. E a forma mais barata de fabricar dado novo tem nome: experimento. A proposta deste artigo é mostrar como aplicar, no dia a dia de qualquer equipe, o mesmo método científico que sustenta uma boa pesquisa de satisfação: testar antes de apostar alto. A regra de ouro dos experimentos internos: aposte pequeno A lógica do experimento interno é economia pura: qual é o jeito mais barato e rápido de descobrir se essa ideia funciona? Essa filosofia tem lastro: é o núcleo do movimento Lean Startup, de Eric Ries (construir o teste mínimo, medir, aprender, e só então escalar), e é prática consolidada nas empresas de tecnologia mais estudadas do mundo. O motivo é um dado humilhante e libertador que essas empresas divulgam: a maioria das ideias testadas falha em produzir o efeito esperado. Ron Kohavi, que liderou experimentação na Microsoft, relata que só cerca de um terço das ideias testadas por lá melhorava de fato as métricas que pretendia melhorar; um terço não fazia diferença e um terço piorava. E eram ideias propostas por especialistas. Se especialistas erram dois terços dos palpites, a conclusão não é “não tenha ideias”; é “não aposte alto em palpite não testado”. A ficha de experimento: 5 campos antes de começar Um experimento se diferencia de “vamos tentar e ver no que dá” por um detalhe: as regras são definidas antes. Sem isso, o viés de confirmação redige a conclusão depois: qualquer resultado vira “deu certo”. A ficha mínima: Cinco campos, meia página. O custo de preenchê-la é 20 minutos; o custo de não preenchê-la é descobrir em produção, seis meses depois, que a aposta era ruim. Ou, tão ruim quanto: nunca descobrir. As armadilhas de quem começa Testar tudo ao mesmo tempo. Mudou o preço, o texto e o público na mesma semana? Se melhorar, foi o quê? Uma variável por experimento, ou aceite que só saberá o efeito do pacote. Escolher a métrica depois. Com liberdade para escolher a métrica após o resultado, alguma sempre terá subido. É a versão corporativa do atirador que desenha o alvo em volta do tiro. Encerrar quando está ganhando. Definiu duas semanas? São duas semanas. Parar no dia em que o número está bonito é colher ruído, não sinal (lembre-se da margem de erro: números pequenos balançam). Ignorar o contexto. O teste rodou na semana de promoção? Na baixa temporada? Anote junto ao resultado. Experimento interno raramente tem a pureza de laboratório; honestidade sobre as condições vale mais que fingir rigor. Confundir “falhou” com “fracassou”. A hipótese derrubada por um teste de 3 dias e R$ 0 é um dos produtos mais valiosos que existem: uma aposta ruim cancelada pelo preço de um palpite. No placar científico, “aprendemos que não” é vitória. Como isso conversa com a priorização de iniciativas Isso conversa direto com frameworks de priorização de iniciativas como o ICE score (impacto, confiança e esforço, popularizado por Sean Ellis): o experimento é o que alimenta o “C” de confiança. Uma iniciativa com hipótese testada em pequena escala sobe de confiança com dado em vez de retórica. O ciclo ideal: ideia → ficha de iniciativa → experimento pequeno → resultado → decisão de escalar (ou arquivar), com o aprendizado registrado para o time inteiro, inclusive quando a resposta é “não”. De volta à Ritmo Na Ritmo, a ficha de experimento saiu preenchida antes do café esfriar: hipótese (volume menor de manhã aumenta frequência e nota do turno), unidades pareadas, duas semanas, critérios combinados de antemão. Catorze dias depois, a realidade votou: a tarde não mudou nada, e a manhã surpreendeu: check-ins 9% maiores nas unidades de volume reduzido, com comentários novos do tipo “finalmente dá para conversar com o professor”. Fábio aceitou a derrota com a elegância de quem perdeu para o método, não para a Renata. A regra ficou na parede da sala: “terceira reunião sobre o mesmo empate é proibida; no lugar dela, marca-se o teste”. O resumo de uma frase (teste Feynman) “Empate de opinião não se desempata com voz mais alta; se desempata com um teste pequeno, combinado antes, que deixe a realidade dar o voto de minerva.” Fontes e leituras recomendadas RIES, Eric. A Startup Enxuta. Sextante, 2019. KOHAVI, Ron; TANG, Diane; XU, Ya. Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press, 2020. THOMKE, Stefan. Experimentation Works: The Surprising Power of Business Experiments. Harvard Business Review Press, 2020. ELLIS, Sean; BROWN, Morgan. Hacking Growth. HarperCollins, 2017. (Origem prática do ICE score.) KOHAVI, Ron; CROOK, Thomas; LONGBOTHAM, Roger. “Online Experimentation at Microsoft”. Third Workshop on Data Mining Case Studies, 2009. (Fonte do dado “um terço melhora, um terço não muda, um terço piora”.)
Média mente: como resumir dados sem se enganar
Se você está com um pé no gelo e outro no fogo, na média está confortável. Média e mediana, lidas juntas, evitam esse tipo de ilusão. O número mais usado (e mais traiçoeiro) do mundo A média é o canivete suíço da análise: rápida, familiar, cabe em qualquer slide. "A nota média do mês foi 4,2." Pronto, resumimos mil respostas num número. O problema: resumir é jogar informação fora. Às vezes o que jogamos fora era exatamente a história. Este artigo mostra os quatro truques que a média usa para mentir, e as ferramentas simples para desmascará-la. Truque 1: a média esconde os extremos Imagine duas lojas, cada uma com nota média 3 (de 1 a 5): Mesma média. Situações opostas. A Loja A tem um problema de indiferença: nada encanta, nada revolta. A Loja B tem dois problemas urgentes: descobrir o que encanta metade dos clientes e o que está expulsando a outra metade (aposto num turno, num funcionário ou num dia da semana específico). Quem olha só a média trata as duas lojas do mesmo jeito, e erra nas duas. Antídoto: olhar a distribuição (o histograma, a contagem de cada nota). É por isso que dashboards bem desenhados mostram as barras, não só o numerão. Truque 2: quando média e mediana discordam (outliers) Cinco amigos num bar têm salário parecido; a "renda média da mesa" é honesta. Aí um bilionário entra no bar. A renda média da mesa agora é de centenas de milhões, e não descreve ninguém ali dentro. Valores extremos (outliers) arrastam a média. No dia a dia de qualquer operação: um único cliente que ficou 4 horas preso num problema de troca arrasta o "tempo médio de atendimento" do dia; uma compra corporativa gigante arrasta o "tíquete médio" do mês. Antídoto: a mediana, o valor do meio da fila quando os dados são postos em ordem. O bilionário entra no bar e a mediana quase não se move: ela é imune a extremos. Regra prática: para tempos, valores monetários e tudo que "só cresce para um lado", peça a mediana junto com a média. Se as duas estiverem muito distantes, há outliers na história. E outliers, aliás, merecem investigação própria: às vezes o dado extremo é erro de coleta; às vezes é o seu caso mais importante. Truque 3: a média mistura grupos que não deviam ser misturados "A satisfação geral da rede subiu de 4,0 para 4,2. Vitória!" Será? Suponha que a nota do turno da manhã caiu de 4,5 para 4,3, e a do turno da noite caiu de 3,8 para 3,6: as duas caíram. Como pode a média geral subir? Se a proporção de respostas mudou (o turno da manhã, mais bem avaliado, passou a responder muito mais), a média combinada sobe mesmo com todos os grupos piorando. Esse fenômeno tem nome, paradoxo de Simpson, e casos reais célebres, como o processo de admissões da Universidade de Berkeley em 1973: os números agregados sugeriam discriminação contra mulheres, mas, departamento por departamento, o viés desaparecia ou se invertia (as mulheres haviam se candidatado em maior número justamente aos departamentos mais concorridos). Antídoto: segmentar antes de concluir. Sempre que uma média agregada mudar, pergunte: os grupos que a compõem contam a mesma história? Por turno, por loja, por perfil: pelo menos um corte antes de comemorar. Truque 4: números idênticos, realidades opostas Em 1973, o estatístico Francis Anscombe construiu quatro conjuntos de dados hoje famosos (o quarteto de Anscombe): todos com a mesma média, a mesma variância e a mesma linha de tendência. Estatisticamente "idênticos". Colocados num gráfico, revelam quatro desenhos completamente diferentes: uma linha, uma curva, um alinhamento perfeito quebrado por um ponto fora, e por aí vai. A moral, na voz do próprio ofício: resumos numéricos nunca substituem olhar o desenho dos dados. Antes de confiar em qualquer resumo, visualize. O kit do leitor de relatórios Quatro perguntas para fazer diante de qualquer média, em qualquer slide: Nenhuma exige matemática além da que você já sabe. Todas exigem apenas o hábito de perguntar. Por que isso importa Qualquer gestor recebe médias todos os dias: nota média, tempo médio, NPS por período. O que realmente importa não é o número — é a leitura certa dele. Um analista que ensina a abrir a distribuição antes de reagir à média está entregando mais valor do que qualquer painel novo. E vale o espelho de sempre: nas métricas de produto e vendas de qualquer empresa, essas mesmas quatro perguntas se aplicam sem desconto. O resumo de uma frase (teste Feynman) "A média é um resumo, e todo resumo esconde alguma coisa: antes de decidir, pergunte o que ela escondeu." Fontes e leituras recomendadas ANSCOMBE, Francis J. "Graphs in Statistical Analysis". The American Statistician, v. 27, 1973. BICKEL, Peter J.; HAMMEL, Eugene A.; O’CONNELL, J. William. "Sex Bias in Graduate Admissions: Data from Berkeley". Science, v. 187, 1975. (O caso real do paradoxo de Simpson.) HUFF, Darrell. Como Mentir com Estatística. Intrínseca, 2016 (original de 1954). WHEELAN, Charles. Estatística: O Que É, Para Que Serve, Como Funciona. Zahar, 2016. ROSLING, Hans. Factfulness. Record, 2019. (Especialmente o capítulo sobre o "instinto do tamanho" e a leitura de números em contexto.)
Quantas respostas bastam para confiar num resultado?
10 respostas não são pesquisa. 10 mil nem sempre são melhores. A pergunta que todo cliente faz “Mas com quantas respostas eu posso confiar no resultado?” É provavelmente a pergunta mais frequente de quem começa a medir satisfação, e uma das mais mal respondidas do mercado. Este artigo responde sem nenhuma fórmula, usando uma panela de sopa. A sopa e a colher Imagine uma panela gigante de sopa. Você quer saber se está boa de sal. Precisa tomar a panela inteira? Claro que não. Uma colherada basta, desde que você mexa a sopa antes. Essa imagem, usada há décadas por professores de estatística, carrega quase tudo que importa sobre amostragem: Em linguagem técnica: “mexer a sopa” é garantir uma amostra representativa, aquela em que todo tipo de cliente tem chance de aparecer. E é aqui que a maioria das pesquisas quebra. Erro nº 1 de amostragem: a colher que só pega a superfície O caso mais famoso da história: em 1936, a revista americana Literary Digest enviou 10 milhões de cédulas de pesquisa e recebeu 2,4 milhões de respostas, a maior pesquisa eleitoral já feita até então. Previu vitória folgada de Alf Landon sobre Franklin Roosevelt. Roosevelt venceu com uma das maiores margens da história. No mesmo ano, George Gallup acertou o resultado com uma amostra centenas de vezes menor. O que deu errado? A Digest tirou seus endereços de listas telefônicas e registros de automóveis: em plena Grande Depressão, isso significava consultar principalmente gente de renda alta. E, entre os consultados, respondeu quem quis (os mais insatisfeitos com o governo). Dois vieses de uma vez: amostra torta e auto-seleção. A lição, que vale até hoje: 2,4 milhões de respostas tortas perdem para 2 mil respostas bem colhidas. Tamanho não conserta viés; só torna o erro mais confiante. É por isso que “10 mil nem sempre são melhores”: se as 10 mil respostas vieram só de um perfil (só quem clica em link de e-mail, só quem estava muito irritado ou muito encantado), você tem uma montanha de dados sobre a superfície da sopa. Esse é também o argumento científico da coleta presencial no momento da experiência: no ponto de venda, todo perfil de cliente passa pelo totem: o apressado, o satisfeito-silencioso, o que jamais responderia um e-mail. A sopa vem mais mexida. Erro nº 2: a colherada minúscula (amostra insuficiente) O outro extremo: gerente olha o painel na segunda-feira, vê 8 respostas do fim de semana, sendo 3 negativas, e aciona o alarme: “37% de insatisfação!”. Com 8 respostas, o acaso manda no resultado. Duas famílias mal atendidas no sábado produzem uma “crise” que não existe. É o mesmo motivo pelo qual tirar cara 3 vezes em 4 lançamentos de moeda não prova que a moeda é viciada. A estatística mede essa incerteza com a margem de erro: um “colchão” em volta do número, dentro do qual o valor verdadeiro provavelmente está. Sem fórmulas, o que a equipe precisa saber de cor é a ordem de grandeza: (Valores aproximados, para uma população de 10000 clientes e nível de confiança de 95%, o padrão de mercado.) Use a nossa calculadora, para ter uma ideia mais precisa dos seus números. Repare em duas coisas. Primeiro: os retornos são decrescentes. Sair de 100 para 400 respostas ajuda muito; sair de 1.000 para 2.500 ajuda pouco. Segundo: a consequência prática para leitura de dashboards. Uma variação de 4 pontos no NPS de uma loja com 80 respostas no mês não é notícia; é ruído dentro da margem. Antes de comemorar ou apagar incêndio, pergunte: a variação é maior que a margem de erro? Erro nº 3: fatiar até não sobrar nada Uma rede tem 5.000 respostas no trimestre — ótimo. Mas aí alguém quer o NPS da loja do bairro X, no turno da noite, entre clientes de primeira visita. Sobraram 12 respostas. O painel mostra o número do mesmo jeito, e ele balança loucamente a cada semana. Regra prática: cada fatia tem a sua própria margem de erro, sempre maior que a do bolo inteiro. Cada filtro aplicado encolhe a amostra e alarga a incerteza. Fatias pequenas servem para gerar hipóteses (“parece haver um problema no turno da noite — vamos observar mais”), nunca para veredito. As três perguntas antes de confiar num número Quem faz essas três perguntas lê qualquer dashboard (nosso ou de qualquer ferramenta do mundo) com olhos de cientista. O resumo de uma frase (teste Feynman) “Para saber se a sopa está boa, não precisa tomar a panela: basta mexer bem e provar uma colherada de tamanho honesto.” Fontes e leituras recomendadas SQUIRE, Peverill. “Why the 1936 Literary Digest Poll Failed”. Public Opinion Quarterly, v. 52, 1988. HUFF, Darrell. Como Mentir com Estatística. Intrínseca, 2016 (original de 1954). (Capítulos sobre amostras enviesadas.) COCHRAN, William G. Sampling Techniques. 3ª ed. Wiley, 1977. (A referência técnica clássica sobre amostragem, para quem quiser as fórmulas.) WHEELAN, Charles. Estatística: O Que É, Para Que Serve, Como Funciona. Zahar, 2016. (Introdução acessível a margem de erro e amostragem.)
Anatomia de uma boa pergunta: Por que o jeito de perguntar muda a resposta
“Você gostou?” e “O que achou?” parecem iguais. Não são. Toda pergunta de pesquisa é um instrumento de medição, e instrumentos mal calibrados enganam. Na Clínica Aurora Wagner, administrador da Clínica Aurora, uma rede de clínicas médicas, tinha um rascunho pronto para o totem da recepção e a satisfação de quem enxugou tudo em uma linha: “Você ficou satisfeito com o atendimento da recepção e da equipe médica?”. Curta, educada, direta. Mari Ferreira, consultora da Solvis que acompanhava a implantação, leu a pergunta duas vezes e devolveu o notebook com outra pergunta no lugar de uma opinião: — Se o paciente responder 3… o que exatamente você vai consertar? Wagner abriu a boca para responder e percebeu a armadilha no meio do caminho. Um 3 podia ser uma hora de espera com uma consulta excelente, um médico atencioso atrás de uma recepção caótica, ou um paciente irritado com o convênio, sem culpa de ninguém dali. A pergunta era uma só; as respostas dentro dela eram três. A pergunta de pesquisa: o instrumento mais delicado “Um termômetro mal calibrado mede a febre errada. Uma balança desregulada mente o peso. E uma pergunta mal formulada coleta uma opinião que o cliente não tem.” A pergunta é o instrumento de medição da pesquisa, e é um instrumento delicado. Décadas de pesquisa em metodologia de questionários (a área tem até nome: survey methodology) mostram que mudanças aparentemente inocentes na redação, na ordem ou nas opções de resposta alteram os resultados de forma mensurável. Um exemplo clássico: em experimentos conduzidos pela psicóloga Elizabeth Loftus nos anos 1970, pessoas assistiam ao vídeo de um acidente de carro. Quando perguntadas “a que velocidade os carros iam quando se esmagaram?”, as estimativas eram significativamente maiores do que quando o verbo era “se bateram”. Uma palavra mudou a memória do que as pessoas viram. Se uma palavra faz isso com uma memória, imagine o que faz com uma opinião. Todo mundo na Solvis, de vendas a suporte, deveria saber reconhecer uma pergunta ruim. Este artigo é o manual de anatomia. As 7 fraturas mais comuns de uma pergunta 1. A pergunta induzida (leading question) Ela já carrega a resposta desejada dentro de si. “Você gostou?” pressupõe que houve gosto, e as pessoas tendem a concordar com pressuposições, um fenômeno documentado chamado aquiescência (a tendência de responder “sim” independentemente do conteúdo). “O que achou?” abre espaço para qualquer resposta. Parecem iguais; medem coisas diferentes. 2. A pergunta dupla (double-barreled) Duas perguntas vestidas de uma. Impossível responder com uma nota só. E se foi rápido e grosseiro? A nota 3 significa o quê? Regra simples: um assunto por pergunta. Se tem “e” no meio, desconfie. 3. A pergunta que exige memória demais Ninguém lembra. O respondente não deixa em branco: inventa um número plausível. Pergunte sobre períodos curtos e experiências recentes, tema tão importante para nós que tem artigo próprio nesta série (O momento da verdade). 4. O jargão e a ambiguidade Cada respondente entende uma coisa, e a média de interpretações diferentes não significa nada. Use a linguagem do respondente, não a da empresa. E troque termos vagos por quantidades. 5. A escala torta A escala é metade da pergunta. Fraturas comuns: A referência clássica aqui é a escala Likert (proposta pelo psicólogo Rensis Likert em 1932): afirmação + graus simétricos de concordância, com ponto neutro. Simples, testada há quase um século, e ainda assim frequentemente mal copiada. 6. A ordem que contamina Perguntas anteriores criam contexto para as seguintes. Perguntar “qual foi o problema do seu atendimento?” antes de “qual sua satisfação geral?” faz a nota geral cair: o respondente foi convidado a lembrar do problema primeiro. Regra prática: do geral para o específico, e perguntas delicadas (incluindo dados pessoais) por último. 7. O questionário-maratona Cada pergunta a mais custa atenção, e atenção é o que o respondente tem de mais escasso. Questionários longos sofrem de abandono e de respostas em linha reta (o respondente marca tudo 5 só para acabar logo, fenômeno conhecido como straightlining). No ponto de venda, onde o cliente responde em pé, no caminho da saída, a disciplina é ainda mais brutal: cada pergunta precisa pagar o próprio aluguel. Se a resposta não vai mudar nenhuma decisão, a pergunta não deveria existir. O teste de bancada: 5 perguntas antes de publicar Antes de qualquer questionário ir a campo, submeta cada pergunta a este checklist: E o teste final, herdado do método científico: teste-piloto. Peça para 5 pessoas responderem na sua frente, falando em voz alta o que entendem de cada pergunta (a técnica formal se chama entrevista cognitiva). É impressionante o que 20 minutos disso revelam. Por que isso importa para nós O cliente da Solvis não compra “um totem”: compra respostas confiáveis. E não existe resposta confiável saída de pergunta ruim: viés na entrada, lixo na saída. Saber reconhecer uma pergunta fraturada é, portanto, uma competência que atravessa toda a operação de quem coleta dados de satisfação: de quem atende o cliente no dia a dia a quem desenha os questionários e os fluxos de coleta. Cada pergunta bem formulada é um voto de confiança no dado que ela vai gerar — e cada uma malfeita é um ponto cego que ninguém percebe até doer. De volta à Aurora Na Aurora, a pergunta dupla virou duas perguntas inteiras, cada uma com um dono claro do outro lado: recepção para a escala e o fluxo de senhas, equipe médica para a coordenação clínica. Na primeira semana de coleta, o mistério se desfez: equipe médica 4,8, recepção 3,8. A nota que a pergunta emendada teria misturado num 4,3 sem endereço apontava agora para a espera do balcão, invisível até então. O teste da Mari entrou no ritual de bancada da clínica: antes de publicar qualquer pergunta, alguém responde mal a ela de propósito, e a equipe confere se saberia o que consertar. Pergunta que não passa, não entra. O resumo de uma frase (teste Feynman) “A pergunta é uma balança: se ela estiver torta, não
O Erro Invisível na Análise do PDV: Quando Trocar o Gerente Não É a Causa do Sucesso
Como Diagnósticos Equivocados Comprometem As Decisões Estratégicas no Varejo Imagine a seguinte situação: em uma rede varejista com 35 unidades físicas, a diretoria decide substituir o gerente de uma loja cujas métricas de desempenho estavam em queda. No mês subsequente à troca, a nota de satisfação do cliente no ponto de venda subiu 12 pontos, levando a alta liderança a comemorar o sucesso da decisão na reunião mensal de resultados. Entretanto, uma auditoria de processos subsequente revelou um fator crítico omitido pelo painel executivo: as obras viárias na avenida principal da loja foram concluídas naquele mesmo mês. Isso dobrou o fluxo de pedestres e facilitou o acesso dos consumidores ao estabelecimento. Dessa forma, o novo gestor recebeu o crédito por um incremento impulsionado, na realidade, pela normalização do tráfego urbano na região. Assumir que eventos simultâneos possuem relação direta de causa e efeito é um dos equívocos analíticos mais dispendiosos na gestão operacional. Confundir correlação estatística com causalidade induz a diagnósticos incorretos e alocação ineficiente de recursos de capital. Para se aprofundar em métricas de desempenho e otimização operacional, confira nosso guia sobre indicadores essenciais de satisfação do cliente no varejo. O Fenômeno da Variável Oculta: Entendendo a Dinâmica Um exemplo clássico Ilustra bem essa questão: nas regiões litorâneas, as vendas de sorvete e as ocorrências de afogamento apresentam picos exatamente nos mesmos meses do ano. Concluir que o consumo de sorvete provoca afogamentos seria uma falácia evidente. Nesse cenário, a variável oculta (ou de confusão) é a temperatura elevada. Os dias quentes atraem maior contingente de pessoas às praias, aumentando simultaneamente o consumo de produtos gelados e a densidade de banhistas no mar. A oscilação térmica é o fator primário que movimenta ambas as variáveis. No contexto do ponto de venda, a inteligência de dados aplicada requer esse mesmo rigor de análise estatística. Se o faturamento registrar alta imediatamente após o treinamento da equipe de atendimento, a causa real pode ser o treinamento, a sazonalidade do setor ou uma campanha promocional concorrente. Framework Analítico: As Quatro Perguntas para Validação de Hipóteses Para converter dados brutos em insights operacionais acionáveis com elevado grau de certeza, a liderança executiva deve submeter qualquer alteração de indicador a quatro questionamentos fundamentais antes de decidir investimentos. A primeira pergunta avalia a relevância estatística, verificando se a variação observada não é mero ruído temporal resultante de amostragens reduzidas ou intervalos de análise curtos. A segunda pergunta foca na identificação de variáveis exógenas e não mapeadas que possam estar influenciando simultaneamente os indicadores sob análise. A terceira pergunta investiga a causalidade reversa. Por exemplo, clientes altamente engajados costumam responder a pesquisas no momento da compra por já nutrirem afinidade com a marca, e não necessariamente o inverso. Para entender melhor como capturar o feedback correto sem viés de amostragem, veja a documentação sobre metodologias de coleta de feedback no momento da verdade. A quarta pergunta estabelece o protocolo de teste experimental. A validação mais segura ocorre ao estruturar testes controlados (A/B) em unidades selecionadas antes de padronizar alterações em toda a rede. Checklist de Bolso: As 4 Perguntas da Investigação de Causalidade Trata-se de uma oscilação casual? Amostras reduzidas e janelas de tempo limitadas frequentemente geram padrões ilusórios nos dashboards de gestão. Há variáveis exógenas intervindo? Fatores como sazonalidade, infraestrutura local, ações promocionais ou feriados sofreram alterações no mesmo período? A direção da causalidade está correta? O resultado observado impulsionou o indicador ou a métrica elevada precedeu a mudança? Como estruturar a validação experimental? A implementação de projetos-piloto em lojas de controle valida premissas antes de investimentos em escala global. No caso da rede varejista mencionada, o gerente permaneceu na liderança da unidade, contudo, o comitê executivo reestruturou seus protocolos de inteligência analítica. A empresa assimilou que a metodologia de coletar, interpretar e agir exige o isolamento criterioso de variáveis por meio de testes locais controlados antes de chancelar diretrizes globais. A ocorrência de dois indicadores não implica relação de causa e efeito. Antes de tomar decisões estratégicas, certifique-se de identificar todas as variáveis ocultas que podem estar influenciando os resultados. Reflita sobre sua operação: quando foi a última vez que uma alteração nos resultados foi atribuída à causa errada apenas pelo alinhamento temporário de dois gráficos nos relatórios mensais? Autor: Eduardo Peters
Transformação do Feedback em Restaurantes Corporativos: Da Operação à Prova de Valor Estratégico
Em um mercado globalizado e altamente competitivo, a capacidade de uma organização em oferecer uma experiência de alimentação superior não é mais apenas um diferencial, mas um requisito para a retenção de talentos e a manutenção de um clima organizacional saudável. Para as empresas prestadoras de serviço de catering, o desafio reside em transpor a barreira da percepção subjetiva e transformar a experiência do comensal em dados concretos, capazes de servir como prova de valor para a diretoria e para a renovação de contratos estratégicos.
O QR Code no momento da verdade: transformando crítica em conversa
O QR Code, quando aplicado com a inteligência correta, deixa de ser apenas um código de barras bidimensional para se tornar o portal de conversão mais poderoso do ponto de venda. Ao reduzir a fricção ao mínimo e oferecer um canal de expressão instantâneo, ele permite que a empresa “feche o ciclo” antes mesmo que o cliente cruze a porta de saída, recuperando experiências negativas e potencializando os promotores da marca.
