Em muitos times de produto, UX e dados ainda funcionam como disciplinas paralelas. Aqui está como estruturamos um processo que conectou design, analytics e experimentação dentro de um mesmo fluxo de trabalho.
Quando UX e CRO não trabalham dentro de um mesmo processo, algo comum acontece: os aprendizados ficam isolados e perdem força.
Com o crescimento das iniciativas de otimização e análise de comportamento dos usuários, alguns desafios começaram a aparecer no dia a dia do time de produto da Vivo.
Resultados de testes A/B nem sempre eram reutilizados em novas iniciativas. UX e CRO trabalhavam muitas vezes em fluxos paralelos, e as hipóteses de melhoria nem sempre estavam conectadas diretamente com dados de comportamento.
Na prática, isso impactava dois pontos importantes: a eficiência do processo de experimentação e a qualidade das decisões baseadas em dados.
O framework foi criado com quatro objetivos principais, todos voltados a tornar o processo de experimentação mais eficiente e conectado.
Criar um diretório estruturado onde pesquisas, análises de comportamento e resultados de testes pudessem ser documentados e consultados pelo time com facilidade.
Estruturar um processo claro para geração de hipóteses e execução de experimentos, reduzindo retrabalho e acelerando o ciclo de aprendizado do time.
Conectar análise de comportamento, experiência do usuário e métricas de negócio dentro de um mesmo fluxo de trabalho — sem disciplinas paralelas.
Garantir que melhorias de produto fossem guiadas por evidências de comportamento real dos usuários, não por intuição ou urgência do momento.
Do mapeamento dos problemas no workshop à visualização do fluxo principal no FigJam — veja como o framework ganhou forma.
Cada etapa representa um momento dentro do ciclo de análise e experimentação, do dado bruto ao aprendizado documentado.
Reunir todas as informações disponíveis sobre o comportamento dos usuários: dados de analytics, pontos de abandono, métricas de conversão e feedbacks qualitativos. Essa etapa identifica os principais problemas e oportunidades na jornada.
Com base nos dados coletados, estruturamos um mapa da jornada mensurável, conectando telas, eventos, interações do usuário e métricas associadas. O objetivo é entender claramente onde medir e onde estão as maiores oportunidades de otimização.
Analisar o comportamento dos usuários com profundidade: funil de conversão, pontos de drop-off, interação com elementos da interface e segmentação de usuários. Esse momento é essencial para transformar dados em insights acionáveis para o produto.
Com os insights identificados, o time estrutura hipóteses seguindo uma lógica clara: Problema identificado → hipótese → experimento. Por exemplo: usuários abandonam o fluxo de contratação porque o formulário possui muitas etapas — reduzir campos pode aumentar a taxa de conclusão.
Com as hipóteses priorizadas, define-se qual será a variação testada, quais métricas serão analisadas, qual é o público do experimento e qual ferramenta de experimentação será utilizada. Essa estruturação garante testes mensuráveis e comparáveis.
Após a execução dos testes, os resultados são organizados em um diretório estruturado de experimentos — hipótese testada, variações implementadas, resultados e aprendizados gerados. Um repositório de conhecimento do produto que evolui continuamente.
Mais do que um processo de experimentação, o framework ajudou a construir uma base estruturada de aprendizado sobre o comportamento dos usuários.
Análises, pesquisas e resultados de experimentos centralizados em um diretório único, acessível e consultável por todo o time.
Hipóteses passaram a ser geradas com base em aprendizados anteriores documentados, evitando que o time repetisse experimentos já realizados.
Maior clareza sobre o que estava sendo testado, em qual etapa, com quais métricas e quais resultados foram obtidos em cada ciclo.
Times antes paralelos passaram a compartilhar uma linguagem e um fluxo de trabalho comum, acelerando decisões e alinhamentos.
Evolução mais previsível e sustentável das iniciativas de otimização, com cada experimento alimentando o próximo ciclo de aprendizado.
Melhorias de produto passaram a ser guiadas por evidências reais de comportamento do usuário — não por intuição ou urgência do momento.
Experimentação e design orientado por dados dependem principalmente de processos claros que conectem dados, hipóteses e decisões de produto.
— Reflexão final do case UX-CRO Vivo
Acesse o board interativo com todos os componentes do framework: fluxo principal, Matriz CSD, backlog de testes, métricas de experiência e passo a passo de execução.
Abrir no FigJam