Conta Azul · 2023–2025

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

Growth
Activation
ERP SaaS
AI-Augmented

Contexto: Conta Azul é a principal plataforma de gestão financeira do Brasil para pequenas e médias empresas, e a complexidade do produto era seu maior risco de ativação.
Problema: Taxa de ativação de 30%, contra meta de 60%. Um desempenho abaixo do mercado com impacto direto em cancelamento e receita.
Abordagem: Diagnóstico estruturado antes de qualquer solução: 9 métodos de pesquisa, redefinição de ativação baseada em dados e 31 iniciativas ao longo de 2 anos.
Resultado: Melhorias expressivas em ativação, receita e descoberta de funcionalidades, com impacto organizacional que incluiu mais de 200 oportunidades mapeadas e um novo time criado.

Resultados

+189% NFS-e criada Inversão do rascunho
+500% Conversão de trials Gamificação · base isolada
+40% Vendas criadas Onboarding em escala
+109% Cliques nos CTAs Visão geral · primeiros dias
1.392 Vendas em 10 dias Via novos pontos
+600% Acesso a Pix compensado Simplificação de navegação
200+ Oportunidades mapeadas Novo time cross criado
31 Iniciativas entregues Em 2 anos de atuação

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.

Pergunta: Qual ação do usuário prediz retenção de longo prazo?
O que foi feito: Análise de correlação entre padrões de uso de features e duração da assinatura, em colaboração com PM e Data Science. Cruzamento de quais features eram usadas nos primeiros 7, 14 e 30 dias e quais combinações se correlacionavam com retenção de 6+ meses.
Achado principal: Criar uma venda e emitir uma NFS-e nos primeiros 30 dias já correlacionava com aumento de 700%+ na conversão trial→pago. Mas a correlação foi além desse par e revelou uma jornada inteira por trás da percepção de valor:
- Percepção de valor: conciliação bancária e geração de relatório de fluxo de caixa eram as ações mais associadas a LTV médio acima de 12 meses.
- Caminho até lá: para chegar a essas ações, o cliente antes precisava cadastrar produtos, serviços, clientes e despesas, integrar a conta corrente e realizar uma venda.
- Emissão fiscal: também retinha clientes, mas de forma mais nichada, com impacto menor que as demais ações.
Por isso a redefinição de ativação não ficou restrita a um único par de ações: virou um conjunto de critérios cobrindo essa jornada inteira, o que justificou atacar vários pontos da experiência ao mesmo tempo.
Artefato: Definição compartilhada de ativação adotada por todos os times, cobrindo o conjunto de ações da jornada. Matriz de correlação de uso de features vs. duração da assinatura.

Solução

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

Impacto

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

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

O que este projeto realmente foi

O briefing era ativação: uma métrica para subir, uma lista de iniciativas para entregar. O trabalho que mais pesou no resultado veio antes de qualquer tela, na hora de desenhar o sistema por trás da métrica.

A primeira decisão foi a mais difícil: desacelerar e mapear o sistema antes de propor solução. Só isso já mudou o tamanho do problema. O que o negócio chamava de “problema de ativação” era, ao mesmo tempo, problema de mensuração, de organização, de produto e de dados.

O que permaneceu depois

O que eu valorizo numa contribuição é o que continua rodando depois que saio da empresa. Aqui ficou bastante coisa: um time novo, um jeito comum de medir ativação, uma infraestrutura de onboarding que não existia e um modo de pesquisar com IA que outros designers adotaram. As 31 iniciativas são a parte visível; o sistema que as sustenta foi o que de fato ficou.

O que eu faria diferente

Puxaria o time de dados pra dentro já na primeira semana, e não depois das entrevistas qualitativas. Montaria o blueprint aos poucos, como documento vivo, em vez de deixar para fechá-lo no fim como peça de síntese. E colocaria o limite de capacidade do CS na mesa logo nas primeiras conversas com stakeholders. Nomeada cedo, essa restrição teria entrado como parâmetro de design desde o começo, não como obstáculo descoberto no meio do caminho.