Growth Activation — imagem de capa

Growth Activation · 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%. O onboarding assistido pelo CS funcionava, mas alcançava uma fração dos novos clientes.
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
A taxa de ativação em 30 dias saiu de 30% para 51,6%. Das 200+ oportunidades mapeadas nasceu um time novo, e o onboarding deixou de depender do CS.

Resultados

  • +72% Taxa de ativação em 30 dias 30% → 51,6% · meta original: 60%
  • +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
Navegar nesta página

Atuação

Único designer de ativação por dois anos. Respondia pelo OKR, não por um backlog.

Fui o único product designer do time de ativação da Conta Azul entre 2023 e 2025. Mapeei as dores da primeira experiência tela a tela com o CS, facilitei a priorização de 2025 com o GPM e o tech lead e desenhei as iniciativas: 31 em dois anos, medidas em ativação, receita, emissão fiscal e descoberta de funcionalidades.

Estratégia

Existia uma solução que funcionava. Ela não escalava.

A ativação em 30 dias estava em 30%, contra uma meta de 60%. Quem passava pelo onboarding assistido do CS ativava mais: 1,56x em emissão de nota fiscal, 2,03x em cobrança compensada. Só que o CS alcançava 7,7% dos novos clientes (472 de 6.111, de janeiro a abril de 2024), e a base crescia mais rápido do que o time.

Atacar uma tela de cada vez moveria pouco o ponteiro. Parei de tratar a ativação como fila de features e passei a tratá-la como sistema, com uma pergunta só: como fazer o produto realizar sozinho o que o CS fazia?

Processo

Hipótese e métrica de sucesso antes de qualquer tela.

Antes de propor solução: clientes, para achar as dores reais; o produto por dentro, para entender o negócio; e os times de operação, que viam fricções que nenhum dashboard mostrava. IA no discovery e na síntese, para ganhar velocidade. Cada iniciativa nasce com hipótese e métrica de sucesso definidas antes do desenho.

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

Diagnóstico

O problema não era a tela. Era o modelo de onboarding.

O que o negócio chamava de ativação era, ao mesmo tempo, um problema de mensuração, de organização, de produto e de dados. Nove métodos, na ordem em que aconteceram: entrevistas com stakeholders, redefinição de ativação por correlação, pesquisa secundária com IA, benchmark de 20+ plataformas, observação de CS e entrevistas com usuários, tickets de suporte, mapeamento de fluxo em quatro cenários, blueprint de serviço e mapeamento do onboarding nativo. Deles saíram quatro achados.

  1. Evidência: Sessões de onboarding em grupo e 1:1 observadas sem intervir, entrevistas com usuários em diferentes estágios, tickets de suporte e 12.887 reuniões com leads e clientes, transcritas e sintetizadas com IA.

    Achado: Toda sessão começava com as mesmas cinco perguntas, e o produto não respondia nenhuma sozinho. Os primeiros 30 a 45 minutos iam em digitação de cadastro. Nos tickets, os pré-requisitos de NFS-e eram o maior motivo de contato nos primeiros 30 dias. O cliente não sabia por que fazer, onde estava e como fazer. O CS resolvia as três coisas por ele: colocava os dados, dizia o que fazer e mostrava onde encontrar.

    Observação de sessões de CS: falas mapeadas às etapas da jornada
    Observação de sessões de CS: falas mapeadas às etapas da jornada

Solução

O produto passou a fazer o que o CS fazia. Uma iniciativa para cada função.

Das 200+ oportunidades saíram 31 iniciativas em dois anos, priorizadas de forma colaborativa. As seis com evidência, agrupadas pela função do CS que substituem:

O CS preenchia os dados por você

Antes: Antes da primeira venda, o usuário precisava cadastrar clientes; antes da primeira nota, serviços. O preenchimento manual era a parede entre criar a conta e ver valor.

Decisão: Explorei três modelos: entrada pelo setup, integrada ao onboarding e chat conversacional. O MVP simula o chat por ações: o usuário sobe uma planilha, a IA extrai e mapeia os campos, ele revisa e aprova antes de qualquer gravação. Horas de digitação viraram minutos, e o modelo virou a base da IA do produto.

  • 44%Interesse na funcionalidade
  • 22%Engajamento ativo
  • 16%Completude do fluxo

Validação parcial

Ver o case completo de Importação com IA

O CS dizia o que fazer em cada tela

O CS mostrava onde encontrar

Onde o humano seguia sendo o melhor caminho

Impacto

Sem o CS no caminho, a ativação foi de 27% para 40%.

As métricas por iniciativa estão acima. Aqui, o indicador e a organização.

  • A ativação saiu de 30% para 51,6%

    A taxa oscilava entre 28,8% e 36,2% quando comecei; a meta era 60%. Em outubro de 2025 chegou a 51,6%. Não cheguei aos 60%, e a régua mudou no meio do caminho. O recorte novo mede só o que o produto faz sozinho: assinantes que ativaram ao menos cinco critérios sem passar pelo CS foram de 27% para 40%. Nenhuma iniciativa isolada explica o movimento; ele vem do conjunto.

  • Novo time criado

    As mais de 200 oportunidades do blueprint viraram o backlog de um time novo, dedicado à qualidade da experiência e dono de partes do produto que antes não tinham dono.

  • CS liberado do onboarding

    O onboarding padrão passou a funcionar sem atendimento humano e sem aumentar o time. O CS foi para contas complexas, clientes em risco e suporte especializado.

Reflexão

O que este projeto foi

O briefing era ativação: uma métrica para subir, uma lista de iniciativas para entregar. O trabalho que mais pesou veio antes de qualquer tela: desacelerar, mapear o sistema e transformar as intervenções do CS em capacidades de produto. A IA cobriu superfície de time (milhares de reuniões ouvidas, tickets sintetizados), e o método ficou documentado e foi adotado por outros designers.

O que eu faria diferente

Puxaria o time de dados para dentro na primeira semana e definiria como ler o resultado antes de desenhar. Escreveria o calendário de experimentos junto com o backlog: doze frentes em paralelo sem governança custaram a leitura do conjunto. Uma das frentes foi pausada por colidir com um teste de outro time, e eu perdi a capacidade de isolar a contribuição de cada iniciativa nos 72%. Defendo cada número na métrica que ele mediu. Quanto cada um valeu no agregado, não vou estimar.

Contato

Vamos trabalhar juntos?

Disponível para full-time · remote · freelancer

Aberto a novos projetos, oportunidades e conversas.