Como eu faria a Cayena crescer usando IA
✌️ Oi. Tudo bem com você? Esse texto vai exercitar com informações públicas como eu faria a Cayena crescer usando IA, principalmente a minha skill de PM-Especialista. Não esqueça de deixar um curtir, comentar, compartilhar e claro, assinar a newsletter.
Para quem não sabe a Cayena é a maior plataforma digital (marketplace B2B) de compra de insumos alimentícios e de limpeza no Brasil, que conecta restaurantes, bares e mercados diretamente aos fornecedores.
A plataforma une donos de negócios de alimentação a mais de 100 fornecedores em um só lugar oferecendo mais de 60 mil produtos, incluindo alimentos, bebidas, embalagens e itens de limpeza. Isso permite um abastecimento do estoque de forma rápida para os donos de negócio que a usa.
Quando olhamos nas lojas de aplicativo encontramos uma avaliação de 4,6 no Google Play, com 919 avaliações, e 4,8 na App Store, com 468 avaliações. Ao mesmo tempo, no Reclame Aqui eles têm 132 reclamações, concentradas principalmente no pós compra: atraso, pedido incompleto, item errado, cancelamento e reembolso.
🌍 Você sabia que a Deel tem uma forma para transformar sua experiência em um sinal claro no LinkedIn? É gratuito e ajuda o mercado internacional a entender melhor sua trajetória. Descubra qual badge combina com você aqui
Uma análise rápida faz com que eu entenda que a experiência de compra parece funcionar melhor do que a experiência de entrega. Quando falamos de um marketplace B2B, checkout pode parecer a etapa final da experiência digital, mas no ciclo como um todo, ele é o meio, a logística e a entrega é o que faz o cliente ter a real percepção de valor e continuar comprando.
A jornada do comprador parece seguir este fluxo:
Cadastro com CNPJ > Busca e Catálogo > Carrinho com múltiplos fornecedores > Pagamento ou crédito > Separação e entrega > Ocorrência, cancelamento ou recompra.
Pelo histórico de versões na App Store, a Cayena tem investido em busca, filtros, ordenação e sugestões durante a digitação.
Quando parei para analisar as reclamações, os problemas aparecem nas etapas seguintes:
Entrega atrasada e falta de opção para cancelar pelo aplicativo.
Primeiro pedido de mais de R$ 3 mil, dividido entre quatro fornecedores, com entrega incompleta, atraso e falta de estorno.
Pedido pago, não entregue e suporte sem continuidade.
Produto entregue incorretamente por outro fornecedor.
Dificuldade para cancelar, devolver e receber reembolso.
⚠️ Importante: Esses relatos não demonstram frequência nem representam toda a base, mas ajudam a localizar hipóteses. Para priorizar, seria necessário cruzá-los com tickets, pedidos, entregas e recompra.
Agora vamos para a minha Skill de PM-Especialista, vou te mostrar como ela ajudaria um PM da Cayena.
1. Discovery: investigar confiança pós-compra
Input para a skill:
Sou PM da Cayena. Temos reclamações sobre atrasos, itens faltantes, cancelamento e reembolso. Estruture um discovery para entender em qual momento os restaurantes perdem confiança depois do checkout. Separe clientes de primeiro pedido, recorrentes e pedidos com múltiplos fornecedores.
Para melhorar a resposta eu subiria junto relatórios do atendimento com dados e detalhes de cada chamado e ligação.
Com esse input a skill usaria o roteador escolheria: continuous-discovery.md, user-feedback-system.md e jtbd-building.md.
Output da skill seria:
Segmentos que precisam ser entrevistados.
Roteiro sem perguntas indutivas.
Mapa da jornada do pedido.
Opportunity Solution Tree.
Hipóteses que precisam de dados.
Evidências que distinguem problema de interface, fornecedor, logística ou suporte.
Um exemplo que a skill poderia sugerir que seria muito útil seria:
Conte sobre a última vez que um item importante não chegou no prazo. O que aconteceu na operação do restaurante depois disso?
Se você perguntasse “você gostaria de acompanhar melhor a entrega?” faria com que a pesquisa produzisse uma resposta previsível e quase inútil.
2. Métricas: construir uma árvore de confiança
Input para a skill:
Quero conectar os problemas de entrega à retenção dos compradores. Crie uma árvore de métricas para a Cayena ligando pedido perfeito, recompra, frequência e GMV. Considere pedidos divididos entre vários fornecedores.
A skill vai produzir algo como:
A métrica ali chamada “Pedido perfeito” poderia ser definida assim:
O cuidado da análise estaria na unidade da análise, já que um carrinho da Cayena pode envolver quatro fornecedores, o que singifica que o cliente percebe uma compra mas a operação pode enxergar quatro pedidos. Imagine agora, se três entregam e um falha, a taxa por fornecedor é 75%, mas a experiência do restaurante fica em 100% problemática, porque ele enxerga que o pedido dele veio incompleto e a culpa é da Cayena e não de um dos quatro fornecedores.
3. Priorização: decidir entre busca e pós-compra
Input para skill:
Tenho capcity de time para uma frente no trimestre. As opções são melhorar novamente a busca, criar acompanhamento consolidado do pedido, permitir cancelamento pelo app ou automatizar reembolso. Monte uma priorização usando impacto em retenção, frequência, suporte, risco operacional e esforço. Não use RICE sem dados.
Com esse input a skill usaria: prioritization-craft.md, decision-frameworks.md, metrics-frameworks.md.
Primeiro a skill pediria dados como:
Percentual de buscas sem resultado.
Conversão depois de uma busca.
Pedidos atrasados ou incompletos.
Volume de contatos sobre status.
Tempo médio de reembolso.
Recompra depois de uma ocorrência.
GMV afetado por tipo de falha.
Frequência de pedidos com múltiplos fornecedores.
Sem esses números, o output deveria ser uma matriz de hipóteses, não um ranking inventado.
Minha hipótese inicial, sem ter esses dados para usar a skill seria priorizar visibilidade e resolução pós-compra antes de outra grande melhoria em discovery de catálogo. A busca recebeu atualização recente, segundo a app store e as reclamações públicas apontam perda de controle depois do pagamento. Os dados internos com certeza podem derrubar essa minha hipótese ou não, seria legal usar os dados internos na skill para isso.
4. Experimentação: testar acompanhamento proativo
Input para a skill:
Quero testar uma central de acompanhamento que mostre separadamente o status de cada fornecedor, previsão atualizada e ação para relatar problema. O objetivo é reduzir contatos no suporte e aumentar a recompra depois de pedidos com múltiplos fornecedores. Desenhe o experimento.
Output da skill:
Nesse caso, redução de tickets não seria suficiente, o cliente pode desistir de pedir ajuda e abandonar a Cayena. Por isso que recompra e tempo até a resolução precisam acompanhar a métrica operacional.
Outro teste possível seria avisar proativamente sobre risco de atraso e oferecer substituição, novo prazo ou cancelamento aumenta a recompra de clientes afetados.
Isso pode gerar mais cancelamentos no curto prazo e maior confiança no longo, fazendo com que o PM e sua liderança escolham qual custo vão aceitar.
5. Estratégia: definir onde a Cayena precisa ser excelente
Input para a skill:
A Cayena oferece catálogo amplo, múltiplos fornecedores, crédito e entrega em 24 horas. Use Playing to Win para decidir qual promessa deve orientar o produto: menor preço, maior variedade, conveniência financeira ou confiabilidade operacional.
Output da skill:
Onde jogar: restaurantes independentes, redes, mercados, regiões e categorias.
Como vencer: preço, crédito, disponibilidade, entrega ou redução do trabalho operacional.
Capacidades necessárias.
Sistemas de produto e operação.
Trade-offs explícitos.
O catálogo com 60 mil itens ajuda na aquisição com um restaurante que ficou sem picanha na manhã da produção, porém, variedade não compensa incerteza. A promessa de “tudo em um só lugar” aumenta o dano quando uma parte crítica do pedido desaparece sem explicação.
Todo esse fluxo hoje deve demorar semanas para serem executadas pelos times de produtos da Cayena, mas com a skill os times poderiam realizar pelo menos quatro desses pontos em menos tempo, deixando o maior tempo gasto com o processo de pesquisa, a não ser que eles usem personas sintéticas, isso faria eles rodarem em um dia ou se usarem o ReveLumi.
Na parte da manhã:
enviar reclamações, tickets e métricas para classificar oportunidades.
transformar a principal oportunidade em árvore causal.
Na parte da tarde:
comparar soluções e explicitar riscos.
gerar o brief de experimento e instrumentação.
A skill serviria como estrutura de decisão e os dados continuariam vindo de Amplitude, Mixpanel, Looker, banco de dados, CRM, suporte e operação logística da Cayena. O maior risco seria usar um framework sofisticado para otimizar conversão enquanto o restaurante ainda precisa telefonar para descobrir onde foi parar a mercadoria.
Tenha acesso à PM Especialista AGORA!
Assinantes pagos da newsletter têm acesso imediato à skill completa, com o roteador central, os 27 arquivos de referência e os frameworks para priorização, discovery, estratégia, métricas, posicionamento, comunicação executiva, produto de IA, influência e carreira.