Segmentação de clientes em pesquisas de satisfação: por que a média esconde a verdade

Média é traiçoeira. Ela pega um grupo de clientes plenamente satisfeitos, um grupo neutro e um grupo furioso, joga tudo numa conta só e devolve um número que soa tranquilizador. É estatisticamente correto e, ao mesmo tempo, operacionalmente perigoso, porque esconde exatamente o grupo que você mais precisa enxergar: aquele que está insatisfeito e prestes a agir.

Toda pesquisa de satisfação, seja NPS®, CSAT ou CES, ganha muito mais utilidade quando você para de olhar só o número consolidado e começa a cortar a base em fatias. A média te diz como está o clima geral. A segmentação te diz onde está o incêndio.

Por que a média geral engana

Imagina uma empresa com 1.000 clientes: 700 extremamente satisfeitos com nota 9 ou 10, e 300 insatisfeitos com nota 2 ou 3. A média geral pode até sair "razoável" dependendo da métrica usada, mas isso não descreve a realidade de nenhum dos dois grupos. Os 700 não precisam de atenção agora. Os 300 precisam, e urgente, porque é esse grupo que vai cancelar, vai reclamar publicamente, vai custar caro em suporte.

O problema fica pior quando a empresa cresce e passa a atender públicos diferentes: cliente enterprise e cliente self-service, cliente que usa o produto há cinco anos e cliente que entrou semana passada. Misturar tudo numa média única é como tirar a temperatura média de uma casa que tem um cômodo com ar-condicionado ligado e outro com a janela aberta no inverno. O número existe, mas não ajuda ninguém a decidir nada.

As dimensões de corte que mais revelam problema

Nem toda segmentação vale a pena. Existem alguns cortes que, na prática, aparecem com mais frequência revelando diferença real de percepção:

• Plano ou tier contratado: cliente de plano básico e cliente de plano premium costumam ter expectativa e nível de suporte diferentes, o que naturalmente gera notas diferentes.
• Tempo de casa: cliente novo ainda está formando opinião, cliente antigo já viveu altos e baixos. Misturar os dois esconde tanto o efeito lua de mel quanto o efeito de desgaste.
• Canal de atendimento ou compra: quem passou por um canal de atendimento ruim recentemente tende a responder pior, mesmo que o produto em si seja bom.
• Região: em empresas com operação nacional, diferenças de logística, suporte local e até cultura regional aparecem na nota.

Como a segmentação muda a ação, não só o diagnóstico

Sem segmentação, a reação a um NPS® "morno" tende a ser genérica: uma campanha de e-mail pra base inteira, um treinamento geral de atendimento, uma mudança de produto que tenta agradar todo mundo. Com segmentação, a ação fica cirúrgica. Se o problema está concentrado no segmento de clientes que entraram nos últimos 90 dias, o ajuste é no onboarding. Se está concentrado em quem usa um canal de suporte específico, o ajuste é ali, não no produto inteiro.

Isso muda completamente o retorno do esforço. Corrigir um problema específico de um segmento de 15% da base custa muito menos e resolve muito mais rápido do que tentar mexer em processo pra empresa inteira baseado num sintoma que, na real, só afeta uma fatia.

Um exemplo de NPS® geral ok escondendo segmento péssimo

Pensa numa empresa de assinatura que roda a pesquisa trimestral e vê o NPS® geral em 32, um número que a maioria classificaria como razoável. Ao segmentar por tempo de casa, aparece isso: clientes com mais de dois anos têm NPS® de 55, enquanto clientes com menos de seis meses têm NPS® de -8. O número geral estava carregando os clientes antigos e escondendo um problema sério de onboarding que só ia aparecer no churn dali a três ou quatro meses, quando já seria tarde pra reagir a tempo.

Esse tipo de achado só aparece quando alguém tem o trabalho de cruzar a nota com um atributo do cliente. Sem esse cruzamento, a empresa inteira segue "tranquila" com um NPS® de 32 enquanto perde um quarto da base recém-chegada.

Vale reforçar: segmentar exige base de dados minimamente organizada, com atributo de cliente vinculado à resposta da pesquisa. Se seu processo hoje coleta resposta sem vincular a nenhum dado de CRM, esse é o primeiro ajuste a fazer antes de qualquer análise mais sofisticada.