Objetivo
Reduzir o esforço de preparação das análises e criar um processo confiável para gerar recomendações com base em dados, contexto e evidência.
Decisões de produto
Algumas das decisões necessárias;
Gate obrigatório antes da análise para definir modo, formato, período e histórico
Inventário de insumos para organizar CSVs, planilhas, PPTs, prints e dashboards
Separação entre relatório semanal e análise com insights
Taxonomia de campanhas para interpretar funil, canal, praça, criativo e contexto
QA final para revisar dados, narrativa, formato, pendências e riscos de interpretação
Solução
Entrada guiada
A skill pergunta qual tipo de entrega será feita, qual formato será usado e se existe histórico para comparação temporal.Organização de insumos
A IA mapeia arquivos, fontes, períodos, metas, campanhas, calendário promocional e materiais de apoio antes de iniciar a leitura analítica.Leitura contextual
Nomes de campanhas, UTMs e recortes de mídia viram sinais para interpretar comportamento por funil, plataforma, canal, praça e criativo.Governança e QA
A saída passa por revisão de consistência, evidência, pendências, riscos e clareza executiva antes da entrega final.
Impacto estimado
Após a implementação, os resultados foram mensuráveis:
50 a 70% de redução no esforço de preparação e análise
Menos retrabalho na orientação da IA
Mais consistência entre relatórios em chat, DOCX e PPT
Redução do risco de insights genéricos
Processo reutilizável para análises recorrentes de mídia paga
Além disso, recebemos feedback positivo dos usuários, que destacaram a facilidade e clareza do novo fluxo.
Aprendizados
O maior ganho veio de tratar a IA como sistema de trabalho. A qualidade da resposta depende do fluxo de entrada, dos limites definidos, das regras de leitura e do QA final.
Esse projeto fortaleceu minha visão sobre como UX Design e Product Management podem transformar conhecimento operacional em uma solução escalável, auditável e útil para tomada de decisão.
João Pedro Varoneli • 2026