OpenPLS
PT
Comece grátis
PLS-SEM · Engine open-source

Modelagem de equações estruturais.
Finalmente moderna.

A plataforma aberta para modelos de equações estruturais: editor visual de caminhos, o pipeline PLS-SEM completo e relatórios prontos para publicação. Direto no navegador. Ou em servidor próprio, quando seus dados são sensíveis.

Comece grátis Como funciona

Sem configuração, sem cartão de crédito · Engine open-source · Validado contra valores de referência estabelecidos

Pré-visualização ao vivo

Um modelo real, totalmente calculado.

É isso que o openpls-engine retorna para uma pequena cadeia Qualidade → Satisfação → Lealdade. Caminhos, R², HTMT e ICs bootstrap em uma única visão.

Project › ECSI Demo › Results

Amostra de satisfação do cliente ECSI (n = 250), 5 000 reamostragens bootstrap. Reproduzível no projeto de demonstração.

Recursos

Tudo o que você precisa para um PLS-SEM sério.

Estatística consolidada, ferramentas modernas, padrões abertos.

Editor visual

Variáveis latentes, indicadores e caminhos via arrastar e soltar. Sem YAML, sem código, sem atrito.

Pipeline PLS-SEM completo

Loadings, weights, coeficientes de caminho, R², GoF, validados contra valores de referência estabelecidos na literatura PLS-SEM.

Relatórios impecáveis

PDF, XLSX, LaTeX e um bundle JSON pronto para publicação, prontos para colar direto no seu artigo. Tabelas, gráficos e seção de métodos, cada um a um clique.

Servidor próprio para dados sensíveis

Imagem Docker para o ensino, o trabalho clínico e a empresa. Seus dados nunca saem da sua rede.

Formatos de exportação abertos

Modelos, pesos e relatórios em padrões abertos (JSON, CSV, LaTeX). Migre para dentro e para fora de outras ferramentas PLS, sem aprisionamento.

Equipes e versionamento

Coautores, revisores e comparação de versões para grupos de pesquisa. Sem trocas intermináveis de e-mail.

Análises avançadas Novo

Além do pipeline padrão.

Dez análises modernas de PLS-SEM, em um clique no mesmo editor, sem uma segunda ferramenta.

Quantifique a incerteza dos efeitos e transforme o modelo em previsões fora da amostra.

Results › IPMA
Performance Importance Service (priority) Pricing (keep) Brand (low prio) Convenience

  • IPMA

    Importance-Performance Map: mostra quais construtos são altamente importantes e ao mesmo tempo apresentam baixo desempenho. Prioridade gerencial num relance.

  • PLSpredict

    Avaliação fora da amostra com validação cruzada k-fold e o painel completo de Shmueli: RMSE, MAE e MAPE comparados a um benchmark de modelo linear, além de uma tabela de ajuste dentro da amostra para contextualizar.

  • Efeitos indiretos específicos

    Cada cadeia de mediação do seu modelo com estimativas pontuais e intervalos de confiança bootstrap, valores t e valores p. Pare de reportar apenas o efeito indireto total.

  • FIMIX-PLS

    A segmentação por mistura finita revela subgrupos não observados na sua amostra. Torna visíveis os efeitos heterogêneos.

Métodos, visualizados

É assim que os resultados realmente aparecem.

Quatro exemplos do que o OpenPLS produz para as suas análises. Direto dos painéis explicativos do app.

Results › Bootstrap
0.32 β̂ ≈ 0.40 0.48 5 000 resamples, 95 % CI
01

Distribuição Bootstrap

5.000 reamostragens, estimativa pontual e CI de 95 %. É assim que aparece a incerteza em torno de um coeficiente de caminho.

Results › IPMA
Performance Importance Service (priority) Pricing (keep) Brand (low prio) Convenience
02

Mapa de importância e desempenho

Quais construtos são importantes e estão com desempenho abaixo do esperado? Uma visão em quatro quadrantes para priorização gerencial.

Results › FIMIX-PLS
Segment 1 (60 %) Segment 2 (40 %)
03

Segmentação FIMIX

Encontre subgrupos não observados. Revele efeitos heterogêneos antes que enviesem os seus resultados.

Results › Moderation
β = 0.25 β = 0.40 β = 0.55 Trust Loyalty
04

Simple Slopes

Como um coeficiente de caminho muda com moderador baixo, médio e alto? Três linhas dizem mais do que um único p-value.

Fluxo de trabalho

Quatro passos dos dados ao modelo.

  1. 01

    Envie os dados

    CSV, XLSX, SPSS ou Stata: lemos o que você tiver.

  2. 02

    Desenhe o modelo

    Construtos e caminhos via arrastar e soltar. Prévia ao vivo da estrutura do modelo.

  3. 03

    Calcule

    Um clique. O plspm calcula: loadings, caminhos, intervalos de confiança via bootstrap.

  4. 04

    Exporte

    Relatório em PDF, tabelas em XLSX, modelo em JSON ou trecho em LaTeX, tudo em formatos abertos.

Para quem

Aplicações concretas do dia a dia.

PLS-SEM é usado onde quer que relações entre construtos latentes, não diretamente mensuráveis, precisem ser estimadas, desde teses de doutorado até o departamento de pesquisa de mercado de uma empresa da Fortune 500.

Pesquisa e ensino

Pesquisa empírica sem barreiras de licenciamento

Teses, submissões a periódicos e seminários: sem licença comercial, sem conta de laboratório compartilhada. Engine aberta, metodologia documentada, relatórios reprodutíveis.

  • Modelos de aceitação (TAM / UTAUT) para adoção de TI em saúde
  • Qualidade de serviço e lealdade (ACSI / ECSI) em pesquisa de hospitalidade
  • Modelos de reputação e confiança (Corporate Reputation Model)
Marketing e CX

O que realmente impulsiona seus KPIs de cliente?

Em vez de correlacionar pontos de contato isolados, o OpenPLS estima o sistema inteiro simultaneamente. Você enxerga qual alavanca realmente move lealdade e NPS, e qual é só ruído.

  • Modelos de drivers de NPS e CSAT a partir de dados de pesquisa
  • Modelos de impacto da jornada do cliente (Awareness → Trust → Conversion)
  • Estudos de brand equity com índices formativos
Indústria e operações

Tornar mensuráveis os drivers latentes de processos complexos

O OpenPLS é particularmente forte com N pequeno e muitos indicadores, a configuração típica para pesquisas com funcionários, fornecedores e inovação.

  • Engajamento de funcionários e cultura de segurança (modelos safety-climate)
  • Desempenho de fornecedores e resiliência da cadeia de suprimentos
  • Capacidade de inovação (absorptive capacity, dynamic capabilities)
Saúde e setor público

Dados sensíveis, metodologia clara

O servidor próprio como contêiner Docker mantém dados de pacientes e funcionários dentro da sua rede. Metodologicamente idêntico à versão em nuvem, documentado para comitês de ética.

  • Modelos de patient-reported outcomes em reabilitação e cuidado
  • Adoção de ofertas digitais de saúde (DTx, telemedicina)
  • Modelos de confiança dos cidadãos em iniciativas de governo eletrônico
Casos de uso

Reproduzíveis em 60 segundos.

Quatro modelos PLS-SEM publicados, disponíveis como clones de um clique no seu workspace OpenPLS. Cada caso inclui dados originais sintéticos, a definição completa do modelo e métricas-chave reproduzíveis.

ECSI

European Customer Satisfaction Index

Customer Experience

Seis construtos reflexivos (Image → Expectations → Quality → Value → Satisfaction → Loyalty), o modelo canônico da pesquisa em marketing de serviços.

N
250
LVs
6
R²(SAT)
0.71

Fornell et al. (1996)

Abrir caso de uso
UTAUT2 + Trust

Aceitação em e-commerce com confiança

Marketing / E-commerce

Performance expectancy, effort expectancy, influência social e confiança explicam a intenção de compra e o uso efetivo. Inclui variáveis sociodemográficas para multi-group analysis.

N
400
LVs
6
MGA
Age · Device

Venkatesh et al. (2012)

Abrir caso de uso
JD-R

Engagement no trabalho (Job Demands-Resources)

RH / Comportamento organizacional

Job demands e job resources atuam sobre a satisfação e o desempenho via engagement. Um modelo mediador clássico com cinco construtos.

N
350
LVs
5
R²(JP)
0.40

Bakker & Demerouti (2017)

Abrir caso de uso
TAM + Privacy

Adoção de apps de saúde digital

Saúde / mHealth

PEOU, utilidade percebida, consciência sobre saúde e risco de privacidade atuam sobre atitude e intenção comportamental. O caminho negativo de privacidade é um ótimo exemplo de tamanhos de efeito f².

N
380
LVs
6
Effect
PR → BI negative

Davis (1989); Sun et al. (2013)

Abrir caso de uso

Clonar requer uma conta OpenPLS gratuita.

Open Source

Uma engine que você pode inspecionar.

Revisores e bancas de doutorado querem saber exatamente como seus números foram produzidos. Com o OpenPLS, a resposta é simples: aqui está o código.

Engine no GitHub Base científica

Engine é Open Source

A engine de cálculo (loadings, caminhos, bootstrap, fit) é aberta: GPL-3.0, reprodutível, auditável. Sem aprisionamento de fornecedor para a sua seção de métodos.

Continuamente ampliada

IPMA, PLSpredict, moderação, segmentação FIMIX e os esquemas de ponderação interna Newton e PCA já estão disponíveis. Cada extensão chega primeiro à engine, depois ao app.

Validada contra referências

Uma matriz crescente de modelos de exemplo é comparada com valores de referência estabelecidos na literatura PLS-SEM: loadings, caminhos, R², SRMR. O status por caso é público.

Base científica

Metodologicamente fundamentado em duas décadas de pesquisa PLS-SEM.

O OpenPLS implementa os padrões com os quais a comunidade PLS-SEM concorda há duas décadas: de Wold e Lohmöller, passando por Tenenhaus, até Hair, Henseler, Sarstedt e Ringle. Os métodos são documentados, as fontes são rastreáveis.

Ver todas as referências
  • Hair, Hult, Ringle & Sarstedt
    A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM)
    Sage Publications, 3rd ed., 2022
  • Henseler, Ringle & Sarstedt
    A new criterion for assessing discriminant validity in variance-based SEM (HTMT)
    Journal of the Academy of Marketing Science, 2015
  • Tenenhaus, Vinzi, Chatelin & Lauro
    PLS path modeling, including the GoF index
    Computational Statistics & Data Analysis, 2005
Preços

Aberto hoje. Aberto para sempre.

O aplicativo web é gratuito. O motor é de código aberto sob GPL-3.0 e sempre será.

Cloud
Grátis

Tudo o que você precisa para a sua pesquisa. Hospedado por nós.

  • Modelos e conjuntos de dados ilimitados
  • Todos os relatórios e exportações
  • Editor visual de caminhos
  • Comparação de versões
Comece grátis
Self-host
$0 GPL-3.0

Engine como contêiner Docker e biblioteca Python. No seu servidor, dentro da sua rede.

  • Funcionalidade completa da engine offline
  • CLI e API Python
  • Soberania de dados para clínica e indústria
  • Suporte da comunidade no GitHub
Engine no GitHub
Consulting
Sob consulta Personalizado

Adaptações personalizadas, treinamentos e assessoria metodológica para grupos de pesquisa.

  • Coaching metodológico
  • Modelos e plugins personalizados
  • Workshops presenciais
  • Suporte prioritário
Agendar uma conversa