O framework 01 de todo bom PM
Como seria usado se eu fosse responsável pelo checkout
Imagine que você é uma PM da Petlove e recebe uma proposta aparentemente simples do Virgilio Russo Spena Visentini, diretor de produtos: oferecer o Clube Petlove durante o checkout.
A hipótese mais simples que aparece de imediato na mente seria: se a gente expor o clube no checkout vai gerar mais assinaturas > assinaturas aumentam recorrência > recorrência melhora o LTV.
A sequência parece razoável, tem lógica, é simples mas ainda não explica se colocar a oferta no checkout melhora o negócio.
A nova decisão pode aumentar adesões ao clube e, ao mesmo tempo, derrubar a conversão da compra principal. Também pode atrair clientes pelo desconto, gerar churn precoce e reduzir margem em pedidos que aconteceriam de qualquer forma.
Uma Causal Tree serve para ir além, ela transforma uma promessa vaga de impacto em uma cadeia de condições que podem ser medidas, testadas e contestadas.
Os PMs mais sênior que eu conheço, usam esse framework de maneira natural, o que faz eles sairem de: “essa feature deve aumentar receita” para “estes comportamentos precisam mudar, nesta ordem, sem piorar estes guardrails, para que a receita líquida aumente”.
O modelo simples segue esta ordem:
intervenção de produto > mudança de comportamento > métrica líder > resultado de produto > resultado de negócio > guardrails
Vamos nos aprofundar agora…
Intervenção de produto: é ação esperada pelo time quando decide colocar algo no produto, nesse caso, seria a ação esperada ao exibir o Clube no checkout.
Mudanças esperadas no comportamento do usuário ao acessar o checkout:
O cliente entende que o clube gera uma economima naquela compra e considera assinar.
Métricas de acompanhamento: % de clientes expostos que abrem os detalhes, % que seleciona a assinatura, tempo adicional criado no checkout, abandono após a exposição.
O erro é achar que um CTR alto mesmo que a oferta esteja criando dúvida numa etapa que deveria terminar a compra.
Lembre-se checkout é um dos lugares mais sensíveis de um produto!
Clientes que concluem os pedidos junto com adesão ao clube.
Métricas de acompanhamento: adesão líquida ao Clube, conversão do checkout entre expostos e não expostos, pedidos pagos e não cancelados, aprovação de pagamento, receita líquida da primeira compra.
A “adesão líquida” importa porque se você não considerar isso a feature pode ter conquistado 500 assinantes e provocado 700 abandonos de carrinho, ou seja, a feature teve boa adoção mas o resultado financeiro ruim.
Aumento de frequência de compra pelos clientes que tem clube e também a retenção deles. (cenário feliz e o que a empresa quer)
Métricas de acompanhamento: segunda compra em 30, 60 e 90 dias, ticket médio, churn do Clube, margem depois de descontos e frete e contatos ao suporte e pedidos de cancelamento.
Os benefícios que o clube oferecem tornam a feature mais atraente para o cliente, mas também entram diretamente na economia unitária de uma compra. Ela só cria valor quando ela gera frequência adicional e a retenção compensam todo o custo.
Esse acompanhamento deve ser feito com teste a/b, com uma exposição do clube controlada e uma análise que separa quem recebeu a oferta do clube no checkout de quem não recebeu, com acompanhamento por tempo suficiente para identificar a quantidade de recompra e cancelamento.
Parece complicado né?
Para quem não está acostumado isso leva tempo, tanto de carreira como de horas para pensar e desenhar essas causas. Por isso criei uma skill que te ajuda a criar uma Casual Tree de maneira eficiente e estratégica, sem ser genérica baseada no contexto que você der, e se precisar de mais informações ele pede.
Por exemplo, você falararia o objetivo de negócio, qual jornada que você é responsável, o seu backlog atual, baseline que você tem disponível e possíveis restrições e guardrails importantes. Com isso, a skill não necessariamente vai criar uma causal tree, ela vai rotear entre os 27 frameworks e dado tudo que você mencionou escolher a que melhor para o seu contexto e se necessário fará perguntas, te ajudando a estruturar melhor.
No exemplo do petlove que vimos agora, a skill perceberia que aumentar adesões ao clube é uma camada intermediária e perguntaria sobre conversão, recompra, churn, desconto, frete e atendimento para devolver um output com hipótese causal por iniciativa, métricas líderes e de resultado, relações que ainda são apenas suposições, dados que precisam ser intrumentados, desenho inicial dos experimentos e itens do backlog sem conexão com o negócio.
Acesso à PM Especialista
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.
🔗 Certificação gratuita para te ajudar a conquistar uma vaga na gringa. Descubra qual badge combina com você em https://productgurus.short.gy/pPAeWy