Contexto e desafio
Uma iniciativa de IA com prazo agressivo e uma oportunidade maior escondida nos dados.
O desafio
A diretoria queria apresentar uma iniciativa inovadora com IA na feira E-commerce Brasil. O squad Home & Busca recebeu a missão de tirar a ideia do papel.
1 mês
Imersão, discovery,delivery e handoff.
4 meses
Teto de viabilidade técnica.
AAA
Acessibilidade como requisito inegociável.
Meu papel: liderança de design ponta a ponta conceito, interface, handoff e acompanhamento de métricas.
Meu papel e abordagem
Mais do que desenhar a interface, conectei negócio, experiência, tecnologia e dados.
01 ENTENDER
Alinhar objetivo, restrições e contexto com stakeholders.
02 Projetar
Definir fluxo conversacional, interface e relação entre conversa e catálogo.
03 Aprender
Usar comportamento real para gerar hipóteses e orientar a evolução.
Princípio
Entregar rápido para ganhar evidência e usar a evidência para descobrir mais fundo.
Primeira solução
A busca deixou de depender apenas de palavras-chave e passou a entender intenção em linguagem natural.
Experiência
• Cliente descreve ocasião, sensação ou preferência
• A assistente interpreta a intenção
• Produtos aparecem dentro da conversa
• A jornada mantém o contexto até a compra
Resultado da primeira entrega
A experiência demonstrou valor comercial e abriu espaço para uma pergunta maior
Aumento da taxa de conversão
6,7%
Aumento do ticket médio
R$ 101
Comparação entre clientes que interagiram com a busca conversacional e a jornada convencional, em medições de outubro a dezembro.
O resultado validou a aposta.
Mas o principal aprendizado veio depois do lançamento.
A VIRADA
“Cada conversa era um
dado de pesquisa espontâneo.”
O histórico de interações passou a ser matéria-prima para mensurar comportamento e gerar hipóteses de valor transformando a feature em uma fonte contínua de discovery.
Exemplos de Mensagens Exploratórias:
“Gosto de perfume doce, mas não daqueles muito fortes. Queria uma coisa mais sofisticada e confortável”
“Estou procurando um presente para o meu pai. Ele gosta de perfumes mais tradicionais com cheiro amadeirado”
“Quero um perfume que apareça quando eu chegar mas que não fique forte demais depois de algumas horas”
“Quero esse mas antes queria comparar com uma opção parecida que tenha um preço um pouco menor”
Das conversas aos insights
759 interações analisadas para transformar comportamento em evidência de produto.
A análise sistemática permitiu comparar padrões entre duas stacks de IA e observar recorrências que não apareciam apenas pela percepção interna.
01 Classificação
Categoria de produto
02 Intenção
Exploratória · dúvida · pedido
03 Linguagem
Como descrevem suas necessidades
Insight → hipótese → decisão
Transformar evidência comportamental em decisões de design.
INSIGHT
Clientes descrevem sensações e ocasiões, não apenas nomes de produtos.
Perfumaria: 36,2% AWS · 28,7% Vertex
HIPÓTESE
O catálogo precisa ser navegável por atributos subjetivos: intensidade, ocasião e família olfativa
DECISÃO
A experiência deveria mostrar produtos cedo e permitir refinamento depois, reduzindo esforço conversacional.
Três padrões que a busca revelou
A conversa trouxe sinais sobre intenção, linguagem e públicos.
1 Subjetividade
“Um perfume marcante para usar à noite” A busca precisava compreender atributos semânticos, não apenas SKU e categoria.
2 Interesse masculino
63% das buscas por perfumes analisadas na base Vertex partiram de interesse por fragrâncias masculinas. Oportunidade para investigar um território pouco explorado no canal.
3 Exploração
Buscas como “me indica algo” mostraram que parte dos clientes chega sem saber exatamente o que quer. Oportunidade para uma experiência mais consultiva
Fricção → hipótese → design
Cada fricção observada virou uma hipótese testável e uma decisão de produto.
Fricção
Conversas longas antes da 1ª recomendação
Buscas exploratórias
Recomendações imprecisas
Questões de compra/pedido
hipótese
Menos perguntas podem reduzir fricção
Sugestões guiadas reduzem esforço
Feedback pode refinar o modelo
Jornada completa na conversa
design
Prompt mais resolutivo
Chips de resposta rápida
Loop de avaliação
Carrinho / checkout
Design de IA é design de sistema
As decisões não estavam apenas na tela estavam na lógica da experiência.
1 Prompts + chips
Mostrar produtos cedo e refinar depois.
• Reduz esforço
• Direciona a pesquisa
• Pode reduzir consumo de tokens
2 Feedback
Avaliar diretamente na vitrine.
O feedback explícito cria um sinal de qualidade para melhorar recomendações
3 Jornada completa
Reconhecer produtos na sacola e oferecer ações de checkout.
Começo, meio e fim sem quebra de contexto.
Evolução e roadmap
O backlog passou a nascer de evidências e hipóteses, não apenas de ideias
O roadmap é consequência dos aprendizados do produto — não um catálogo de funcionalidades.
O que eu faria diferente
Uma boa retrospectiva mostra maturidade inclusive sobre o que poderia ter sido melhor.
Desde o dia zero
Eu instrumentaria a coleta e a taxonomia das conversas ainda no discovery, definindo antecipadamente os eventos, categorias e métricas necessárias para conectar comportamento a resultado.
Por quê?
Isso encurtaria o ciclo entre lançamento e primeiro insight e permitiria testar hipóteses de maneira mais controlada desde o início.
A melhoria não é apenas “fazer mais pesquisa”; é tornar o aprendizado parte do próprio produto.
O que este projeto representa para mim
Não criei apenas uma busca com IA, mas transformei cada interação de compra em uma fonte estratégica de inteligência para orientar decisões de produto.
Dados de comportamento → hipóteses → decisões → valor.