Em Growth, meu papel era usar design como uma ferramenta de aprendizado e performance: identificar oportunidades a partir de dados e comportamento, transformar sinais em hipóteses e testar mudanças capazes de melhorar a experiência e gerar impacto mensurável para o negócio.

Mais do que otimizar telas isoladas, eu trabalhava entendendo onde existia fricção na jornada, por que ela acontecia e qual intervenção poderia gerar maior impacto com o menor esforço possível.

Minha lógica de trabalho seguia um ciclo contínuo:

Dados → Insight → Hipótese → Experimento → Aprendizado → Evolução do produto

Esse processo reforçou três princípios que passaram a orientar minhas decisões:

• pequenas mudanças podem gerar impactos relevantes quando atacam a fricção correta;

• clareza e confiança influenciam diretamente a tomada de decisão;

• otimização não termina no teste: o aprendizado precisa voltar para o produto.

Experimento 01

Reduzindo fricção na simulação de uma oferta

+2% na progressão da jornada
−2s no tempo médio da tela

O problema

Ao analisar o comportamento dos usuários na etapa de alteração da oferta, identificamos dois sinais importantes: havia abandono relevante e os usuários levavam mais tempo do que o esperado para completar aquela etapa.

Ao mesmo tempo, existia uma restrição técnica importante: não poderíamos alterar o backend naquele momento. A solução precisava acontecer praticamente toda na camada de experiência.

Minha leitura foi que o problema não estava necessariamente na quantidade de possibilidades disponíveis, mas em apresentá-las todas de uma vez.

A tela exigia muitas decisões simultâneas, aumentando a carga cognitiva justamente em um momento em que o usuário precisava comparar condições financeiras.

A decisão

Em vez de redesenhar toda a lógica da oferta, trabalhei em como poderíamos reduzir o esforço necessário para tomar a decisão.

A experiência passou a:

• revelar informações progressivamente;

• antecipar preenchimentos em cenários mais recorrentes;

• sugerir opções para acelerar decisões;

• oferecer suporte contextual quando a interação fugia do comportamento esperado.

A intenção era transformar um formulário denso em uma experiência mais guiada, sem retirar autonomia do usuário.

Acelerando a exploração com IA

Para explorar rapidamente diferentes comportamentos de interação, utilizei Figma Make com IA na prototipação.

Isso me permitiu simular a lógica progressiva com mais fidelidade, testar variações rapidamente e, principalmente, tornar o comportamento esperado mais tangível nas conversas com Engenharia.

A IA não substituiu a decisão de design — ela reduziu o tempo entre hipótese, protótipo e alinhamento técnico.

Resultado

Após a implementação, observamos:

+2% na progressão da jornada
−2 segundos no tempo médio da tela

O resultado reforçou uma hipótese importante: naquele contexto, reduzir esforço cognitivo era mais relevante do que adicionar novas funcionalidades.

Experimento 02

Tornando ofertas mais fáceis de comparar e escolher

+159% em cliques nas propostas
+R$ 538 mil em receita adicional

O problema

Ao analisar dados comportamentais no Hotjar, encontramos um padrão curioso: muitos usuários clicavam em “Alterar oferta”, mesmo quando já existiam propostas disponíveis para contratação.

Esse comportamento indicava que a experiência estava desviando atenção da principal ação que queríamos estimular.

Havia ainda outro ponto importante: aproximadamente 80% dos acessos aconteciam pelo mobile, mas as ofertas eram apresentadas em um carrossel.

Isso significava que o usuário precisava navegar entre opções para compará-las — e muitas vezes sequer tinha visibilidade de todas as alternativas disponíveis.

A hipótese

Nossa hipótese foi que o problema não era necessariamente a qualidade das ofertas.

Era a forma como elas estavam sendo apresentadas.

Se tornássemos as alternativas mais escaneáveis e deixássemos mais evidente qual oferta poderia ser mais relevante, poderíamos reduzir esforço de comparação e aumentar a interação com as propostas.

A decisão

Substituímos o carrossel por uma estrutura em lista, permitindo que o usuário entendesse mais rapidamente as alternativas disponíveis.

Também trabalhamos:

• hierarquia das informações;

• destaque para a oferta mais relevante;

• redução de elementos que competiam pela atenção;

• maior clareza na comparação entre propostas.

A principal mudança foi sair de uma lógica de “explorar opções” para uma lógica de “entender e decidir”.

Resultado

O experimento gerou:

+159% em cliques nas propostas

e aproximadamente

R$ 538 mil em receita adicional.

Para mim, esse case é um bom exemplo de como uma intervenção relativamente pequena de UX pode gerar impacto relevante quando parte de uma leitura correta do comportamento.

Experimento 03

Direcionando usuários para canais de autoatendimento

+13% no uso do chatbot em relação às chamadas telefônicas

O problema

Queríamos aumentar a utilização dos canais digitais de atendimento, mas havia uma restrição importante: simplesmente remover o telefone não seria uma boa experiência para usuários que ainda precisassem daquele canal.

O desafio se tornou: Como incentivar o autoatendimento sem bloquear outras formas de contato?

A hipótese

Em vez de retirar opções, poderíamos trabalhar sua hierarquia.

A hipótese era que parte das ligações acontecia não porque o telefone era necessariamente o canal preferido, mas porque era uma das alternativas mais evidentes na interface.

A decisão

Redesenhei a área de contato para:

• posicionar o chatbot como principal alternativa;

• reduzir a predominância visual do telefone sem removê-lo;

• melhorar a orientação entre os diferentes canais.

Ou seja, usamos arquitetura da informação e hierarquia visual como ferramentas para influenciar comportamento, preservando a liberdade de escolha.

Resultado

Após o experimento, observamos:

+13% no uso do chatbot em comparação às chamadas telefônicas.

O aprendizado aqui foi especialmente importante porque mostrou que design de escolha não significa eliminar alternativas, mas sim ajudar o usuário a entender qual delas faz mais sentido para aquele contexto.

Como trabalho com Growth

Esses experimentos fazem parte de uma forma de trabalhar que combina Product Design, dados e experimentação.

No dia a dia, isso envolve:

• análise de comportamento e dados para encontrar oportunidades;

• construção de hipóteses antes de partir para soluções;

• uso de princípios comportamentais, como ancoragem e aversão à perda, quando fazem sentido para o problema;

• prototipação rápida — incluindo IA — para reduzir o tempo de exploração;

• colaboração próxima com Produto, Engenharia, Dados e CRO;

• acompanhamento dos resultados depois da implementação;

• transformação dos aprendizados dos testes em melhorias permanentes do produto.

Para mim, Growth Design não é simplesmente buscar mais conversão.

É entender qual comportamento queremos facilitar, qual fricção está impedindo isso e como podemos experimentar de forma rápida o suficiente para aprender antes de investir em soluções maiores.