Agulha Digital — O que aprendemos com quem vai embora

Visão geral

Quando um cliente vai embora, a pergunta de costume é por que ele saiu? Neste projeto, mudei a pergunta para quando o valor deixou de ficar evidente? — e olhei para quem saiu ou não avançou como fonte de aprendizado, e não apenas como perda.

Analisei dois momentos do ciclo do cliente: o deal breaker, quando o cliente experimenta o produto e decide não seguir, e o churn, quando o cliente já usou o produto e depois deixa de continuar.

Esta é uma versão pública e anonimizada do case. As contas não são identificadas, as falas dos clientes estão parafraseadas e nenhum número interno é mostrado.

O problema

Negócios perdidos e cancelamentos eram vistos como eventos isolados. Cada um tinha sua história, mas não havia uma leitura comum do que eles tinham em comum — nem uma forma de perceber o risco enquanto ainda havia tempo de agir.

Quando o valor deixou de ficar evidente — e o que poderíamos ter percebido antes?

Meu papel

Desenhei e conduzi a análise: reuni e cruzei as evidências, analisei os dados de uso, escrevi a leitura de cada caso e transformei os padrões em recomendações para o time.

Abordagem

A amostra foi pequena de propósito: dois deal breakers, um cliente que cancelou e uma conta em observação. Por isso, cada achado é tratado como sinal ou hipótese a validar, e não como causa comprovada.

Combinei três fontes:

• Voz do cliente. Feedback direto e contatos posteriores, principalmente por WhatsApp.
• Histórico da relação. O contexto de cada piloto, implantação, negociação e cancelamento.
• Dados de uso. Documentos gerados e templates utilizados ao longo do tempo.

Limitação: poucos clientes responderam depois da decisão, então a análise se apoia na triangulação, e não em entrevistas aprofundadas.

Evidências e insights

• Aprender depois da decisão é difícil. Depois que o cliente sai, ele tem pouco motivo para continuar falando sobre o produto. O momento do churn pode ser tarde demais para começar a aprender.
• Conta A (deal breaker): o novo processo não parecia mais rápido. O piloto começou com um documento complexo que a equipe já produzia à mão. Preencher o novo formulário levava mais ou menos o mesmo tempo que digitar, então o esforço de mudança não encontrou um ganho de eficiência percebido.
• Conta B (deal breaker): uma solução com pouca oportunidade de uso. Templates complexos exigiram várias rodadas de alinhamento, para um caso de uso que se mostrou raro. O esforço do piloto foi alto em relação à frequência real do caso.
• Conta C (churn): o churn começou antes do cancelamento. O uso caiu aos poucos — menos documentos e menos templates ativos — muito antes do cancelamento formal.
• Conta D (em observação): o mesmo padrão, visível com antecedência. A queda de volume e a redução dos templates usados já apareciam, sem nenhum cancelamento. Os dados de uso podem indicar risco antes de o cliente dizer qualquer coisa.

• Sinais combinados importam mais do que métricas isoladas. Uma queda de volume junto com menos templates ativos diz mais do que cada indicador sozinho. A atividade nos templates — criados, alterados e efetivamente usados — funciona como um sinal de vitalidade da conta.

Decisões e experimentos

Pilotos: reduzir o custo de descobrir valor Proposto

1. Começar por um caso de uso que se repita com frequência suficiente na rotina do cliente.
2. Começar com baixo investimento, usando capacidades que já existem sempre que possível.
3. Definir o sucesso antes de construir: uso, volume, eficiência percebida e pessoas envolvidas.
4. Aumentar a customização só à medida que aparecem evidências de demanda e valor.
5. Definir desde o início a passagem para o pago: duração, critérios de validação, preço e condições de continuidade.

Retenção: perceber a mudança antes Proposto

• Acompanhar o uso (documentos gerados, frequência, evolução do volume) e a adoção (usuários ativos, concentração de uso, templates criados, alterados e usados).
• Tratar queda persistente de volume, menos templates em uso, longos períodos sem alterações — e, principalmente, vários indicadores caindo juntos — como sinais para uma conversa.
• Comparar cada cliente principalmente com o próprio histórico, criando uma linha de base por conta para separar oscilação normal de sinal de risco.

Oportunidade de produto: que etapas de configuração os próprios clientes poderiam fazer, para que os pilotos dependam menos de trabalho sob medida? Proposto

Resultados e aprendizados

A análise deu ao time uma leitura comum de quatro casos, três momentos em que é possível agir — durante o piloto, na passagem para o pago e depois do fechamento — e um conjunto de sinais a acompanhar.

• O melhor momento para aprender com o churn é antes de o cliente cancelar. Um formulário de churn ajuda a entender uma saída; os sinais de uso criam a chance de agir antes dela.
• Amostras pequenas pedem humildade. Deixar claro que são sinais, e não causas, tornou os achados mais úteis, e não menos.
• Não existe um limite universal de risco. As contas têm tamanhos e ritmos diferentes, então cada uma é melhor comparada consigo mesma.

Próximos passos

• Testar os sinais em mais contas, incluindo clientes que ficaram.
• Montar um monitoramento simples de sinais de uso combinados por conta.
• Aplicar os critérios de piloto nos próximos pilotos e comparar os resultados.