Otimizando a experiência de milhares de novos usuários do ERP para que alcancem o valor real do produto

Atuação

Como Growth Designer tinha um problema inicial específico a resolver: novos usuários não chegavam ao valor do produto. Na prática, virou trabalho de estratégia, pesquisa e execução ao mesmo tempo, sempre colado nos dados e no que as pessoas de fato faziam dentro do produto. Foram 31 iniciativas em dois anos, com impacto medido em ativação, receita, emissão fiscal e descoberta de funcionalidades.

Estratégia

O problema que o negócio chamava de “ativação” era, na prática, quatro camadas sobrepostas:

• Mensuração: cada time media uma coisa diferente, sem definição compartilhada.
• Organização: CS como gargalo de escala, dependência humana que não crescia com a base.
• Produto: caminhos invisíveis, estados vazios sem orientação, primeira experiência sem estrutura.
• Dados: sem entendimento estruturado do motivo pelo qual usuários cancelavam.

Atacar uma camada de cada vez moveria pouco o ponteiro. Parei de tratar a ativação como fila de features e passei a tratar como sistema. Foi isso que deixou o impacto se acumular em vez de se diluir.

Processo

Não proponho solução antes de entender o contexto. Aqui isso significou três coisas: conversar com clientes para achar as dores reais, mapear o produto para entender o negócio por dentro e ouvir os times de operação, que enxergavam fricções que nenhum dashboard mostrava.

Uso IA no discovery e na execução para ganhar velocidade, principalmente em análise de dados e síntese de pesquisa. Cada iniciativa começa com uma hipótese clara e uma métrica de sucesso definida antes de desenhar qualquer tela.

• Hypothesis-Driven
• Mixed-Methods
• Metrics-Driven
• AI-Augmented

Diagnóstico

Todas as decisões de design aqui foram embasadas em evidências reais, ligadas ao negócio, aos objetivos, aos problemas de experiência e aos de operação. Cada uma veio de uma fase de diagnóstico. A sequência abaixo está na ordem real em que aconteceu, e cada etapa alimentou a seguinte.

1. 01Entrevistas com stakeholders↓
2. 02Redefinição de ativação↓
3. 03Pesquisa secundária com IA↓
4. 04Análise de referências de mercado↓
5. 05Observação de CS & entrevistas↓
6. 06Análise de tickets de suporte↓
7. 07Mapeamento de fluxo atual↓
8. 08Blueprint de serviço↓
9. 09Mapeamento de onboarding nativo↓

Solução

Oito iniciativas, agrupadas por área de impacto. Cada uma ataca um ponto de falha específico que o diagnóstico expôs.

Onboarding em escala+40% vendas criadas↓

Banners contextuais+109% cliques nos CTAs↓

Estados vazios & +Novo+18% vendas · 1.392 entradas↓

Emissão fiscal+189% NFS-e criada↓

Busca & navegação+600% acesso a Pix↓

Gamificação do trial+500% conversão de trials↓

Importação com IA+44% interesse↓

Agendamento de treinamento↓

Impacto

As métricas por iniciativa estão na seção anterior. Aqui: o que mudou na organização.

• A ativação saiu de 30% para 51,6%

  É o número que amarra as 31 iniciativas. A taxa de ativação em 30 dias oscilava entre 28,8% e 36,2% quando comecei, e a meta do time era 60%. Ao longo do período, o indicador subiu de forma consistente e chegou a 51,6% em outubro de 2025, batendo entre 100% e 117% da meta mês a mês. Nenhuma iniciativa isolada explica esse movimento: ele vem do conjunto, que é exatamente o argumento do case.

• Novo time criado

  O diagnóstico tornou visíveis problemas que estavam ali o tempo todo, mas que nenhum time assumia como seus. As mais de 200 oportunidades que mapeei viraram a base de um time novo, dedicado à qualidade da experiência. Esse time herdou o backlog inteiro saído dos artefatos do projeto e passou a cuidar de partes do produto que antes não tinham dono.

• CS liberado do onboarding

  O onboarding padrão deixou de depender 100% de atendimento humano e passou a funcionar sozinho, sem precisar aumentar o time. Com isso, o CS pôde se concentrar onde realmente faz diferença: contas complexas, clientes em risco e suporte especializado.

• Discovery com IA difundido

  Documentei o jeito de pesquisar e sintetizar com IA, e outros designers do time começaram a adaptar isso no próprio trabalho. O método acabou rendendo bem além deste projeto.

Reflexão