- Planejamento do Discovery
Definir objetivo:
Ex: melhorar relevância dos produtos no e-commerce
Selecionar usuários:
clientes ativos, inativos e novos
- Condução de entrevistas
Roteiro base:
Como você busca produtos?
Já teve dificuldade para encontrar algo?
Me conte sua última compra
Durante a entrevista:
Usar 5 porquês para aprofundar
Aplicar Grand Tour (visão geral)
Usar Storytelling (caso real)
Resultado esperado:
lista de dores reais dos usuários
- Análise dos dados
Coletar dados de:
cliques
buscas
abandono de carrinho
Cruzar com entrevistas
validar problemas reais
- Definição de hipóteses
Exemplo:
Usuários vão interagir mais
se receberem recomendações personalizadas
Definir métricas:
CTR (taxa de clique)
conversão
tempo na página
- Avaliação da viabilidade da IA
Checklist:
Temos dados suficientes?
Dados são confiáveis?
Está conforme LGPD?
Vale o custo?
Existe solução mais simples?
- Documentação do Job To Be Done
Modelo:
Quando [situação], quero [motivação], para [resultado]
Exemplo:
Quando busco produtos
quero sugestões relevantes
para comprar mais rápido
- Priorização
Método principal:
Frequência x Impacto
Outros:
Esforço x Valor
Risco x Recompensa
Priorizar o que gera mais valor com menor risco
- Desenvolvimento da solução com IA
Exemplo:
Sistema de recomendação
baseado em:
histórico de navegação
comportamento
similaridade entre usuários
- Implementação (MVP)
Página inicial personalizada
Sugestões pós-busca
Produtos relacionados
- Monitoramento contínuo
Acompanhar:
CTR
conversão
feedback do usuário
Ajustar modelo continuamente
