IA para análise de dados e métricas de produto

Nível: Pleno | Duração estimada de leitura: 35 minutos | Categoria: Trilha Pleno — Módulo 1 (IA para POs)

O dado existe. O problema é o que você faz com ele.

Toda empresa de produto tem dados. Toda empresa de produto tem dashboards. A maioria tem Mixpanel, Amplitude ou Google Analytics configurado. Alguns têm Data Studio, Looker ou Metabase com painéis elaborados. Tickets de suporte categorizado. NPS rodando mensalmente. Heatmaps de sessão gravados pelo Hotjar.

E mesmo com tudo isso, o PO chega na reunião de planejamento com hipóteses fracas. Com análises que levaram dois dias para construir e que o CPO questiona em dois minutos. Com conclusões que todo mundo da sala sente que estão incompletas — mas ninguém sabe exatamente o que está faltando.

O problema não é falta de dado. É falta de capacidade de processamento. Dados de produto se multiplicam mais rápido do que a capacidade humana de interpretá-los. Um funil de conversão com 8 etapas, segmentado por 4 canais de aquisição, em 3 períodos de comparação, com corte por plano e por região, gera dezenas de combinações para analisar. Encontrar o padrão relevante nesse volume — aquele que realmente explica o comportamento — exige tempo que o PO não tem.

É exatamente aqui que IA muda o jogo. Não substituindo o julgamento analítico do PO. Aumentando a velocidade e o alcance desse julgamento.

O que mudou com IA na análise de produto

Antes da IA generativa, a análise de dados de produto exigia um conjunto específico de habilidades que a maioria dos POs não tem profundamente: SQL para extrair dados, conhecimento de estatística para interpretar corretamente, familiaridade com ferramentas de BI para construir visualizações, e tempo — muito tempo — para fazer tudo com cuidado.

POs que não tinham background técnico dependiam de analistas de dados para cada análise não trivial. Essa dependência criava filas, perdas de contexto na comunicação, atrasos nas decisões e uma sensação constante de que o PO estava sempre um passo atrás dos dados.

Hoje, três mudanças concretas tornaram a autonomia analítica do PO algo alcançável:

Primeira mudança — linguagem natural como interface de análise. Você não precisa mais saber SQL para fazer perguntas complexas sobre seus dados. Ferramentas com IA integrada permitem que você escreva "quais usuários que vieram de campanha paga têm retenção acima de 60% no D30?" em português e receba a análise.

Segunda mudança — interpretação assistida. Com o ChatGPT Code Interpreter, você faz upload de um CSV de dados e a IA não apenas calcula — ela interpreta, sugere hipóteses e identifica padrões que você pode não ter procurado.

Terceira mudança — geração de narrativa. Transformar uma análise quantitativa em uma narrativa executiva convincente era uma habilidade rara. Com IA, o processo de "tenho os dados, agora preciso contar a história" ficou exponencialmente mais rápido.

Essas três mudanças não eliminam a necessidade de analistas de dados — especialmente para análises complexas, modelos preditivos ou trabalho com grandes volumes de dados não estruturados. Mas eliminam a dependência constante para análises do dia a dia, que é onde o PO mais sangra tempo.

As ferramentas e o que cada uma faz de melhor

ChatGPT com Advanced Data Analysis (Code Interpreter)

Este é provavelmente o maior salto de produtividade para análise de produto disponível hoje. O Advanced Data Analysis do ChatGPT permite fazer upload de arquivos CSV, Excel, JSON e planilhas diretamente no chat. A IA executa código Python internamente para processar os dados e entrega:

• Cálculos estatísticos: média, mediana, desvio padrão, correlações, regressões simples
• Visualizações: gráficos de linha, barras, dispersão, heatmaps — gerados automaticamente com base na sua pergunta
• Identificação de anomalias e outliers
• Análise de cohort
• Segmentação e cruzamento de variáveis

O que diferencia o Code Interpreter de outras ferramentas é que ele mostra o código que executou — o que permite ao PO verificar o raciocínio e ao time técnico validar a metodologia.

Como extrair o máximo do Code Interpreter:

Não faça perguntas abertas como "analise esses dados". O Code Interpreter vai gerar algo, mas raramente o que você realmente precisa. Seja específico sobre o que você quer saber e por quê.

Perguntas vagas que geram output pobre:

• "O que esses dados dizem?"
• "Tem algo interessante aqui?"
• "Analise a retenção"

Perguntas precisas que geram análises acionáveis:

• "Calcule a retenção D7, D14 e D30 para cada cohort de usuários cadastrados nos últimos 6 meses. Identifique os 2 cohorts com melhor e pior retenção e aponte em qual período ocorreu a maior diferença entre eles."
• "Existe correlação entre o número de ações realizadas na primeira sessão (coluna 'first_session_actions') e a retenção no D30 (coluna 'retained_d30')? Se sim, existe um threshold de ações a partir do qual a retenção melhora significativamente?"
• "Segmente os usuários que converteram (coluna 'converted' = 1) versus os que não converteram, compare as distribuições de tempo até a primeira ação significativa e identifique se existe diferença estatisticamente significativa."

Gemini Advanced com Google Workspace

Se sua empresa vive no ecossistema Google, o Gemini tem uma vantagem de integração que nenhuma outra ferramenta tem: ele trabalha diretamente dentro do Google Sheets, Docs, Gmail e Meet. Você não precisa exportar, fazer upload ou mudar de ferramenta.

Dentro do Google Sheets, você pode:

• Pedir análises em linguagem natural sobre a planilha aberta
• Gerar gráficos a partir de descrições textuais
• Criar fórmulas complexas explicando o que você quer, não como calcular
• Pedir resumos de abas com muitos dados

Para POs que mantêm dashboards manuais em Sheets — uma realidade em muitas empresas — o Gemini transforma o Sheets em uma ferramenta de análise interativa sem precisar migrar nada.

Caso de uso específico: você tem uma planilha com os dados de NPS dos últimos 12 meses, incluindo respostas abertas. No Gemini dentro do Sheets, você pede: "Categorize os comentários da coluna D por tema e crie uma coluna E com a categoria de cada resposta. Em seguida, calcule a distribuição de temas e identifique qual tema aparece mais frequentemente entre detratores (notas 0-6)."

O que levaria 3-4 horas de trabalho manual acontece em minutos.

Claude (Anthropic)

O Claude tem uma característica que o diferencia para análise de produto: capacidade de manter contexto em conversas longas com muita informação, e qualidade superior na geração de texto interpretativo e narrativo.

Enquanto o ChatGPT Code Interpreter é a ferramenta certa para análise quantitativa com dados brutos, o Claude se destaca quando você já tem os números e precisa:

• Transformar dados em narrativa executiva
• Conectar métricas com hipóteses de comportamento de usuário
• Revisar uma análise que você fez e apontar gaps no raciocínio
• Criar frameworks de análise personalizados para o seu contexto de produto
• Interpretar dados qualitativos: feedbacks abertos, transcrições de entrevistas, respostas de NPS

Prompt avançado para interpretação com Claude:

"Tenho os seguintes dados de produto referentes ao último trimestre: [dados]. O contexto do produto é [contexto]. A hipótese que eu estava investigando era [hipótese]. Com base nessas informações: 1) A hipótese é suportada ou refutada pelos dados? 2) Existe alguma interpretação alternativa que eu não considerei? 3) Quais perguntas esses dados levantam que ainda não estão respondidas? 4) O que eu precisaria saber adicionalmente para ter maior confiança na conclusão?"

NotebookLM (Google)

NotebookLM é subestimado no contexto de produto. Você carrega documentos — relatórios de pesquisa, análises anteriores, entrevistas transcritas, posts de blog do setor — e o NotebookLM cria uma base de conhecimento consultável com IA.

Para o PO Pleno, o uso mais poderoso é cruzar fontes heterogêneas de informação:

• "Com base nos relatórios de pesquisa qualitativa do último trimestre e nos dados de NPS abertos que carreguei, existem temas recorrentes que explicam a queda de satisfação entre usuários enterprise?"
• "Compare as findings das entrevistas de usuário com os dados de produto que carreguei. Os comportamentos observados nas entrevistas estão refletidos nos dados quantitativos?"

O NotebookLM é especialmente valioso para POs que acumulam muito material de pesquisa e têm dificuldade de cruzar tudo na hora de tomar decisões.

Amplitude e Mixpanel com IA nativa

As ferramentas de analytics de produto mais usadas já estão integrando IA generativa diretamente nas plataformas. O Amplitude tem o "Ask Amplitude" que permite fazer perguntas em linguagem natural sobre seus dados dentro da plataforma — sem exportar nada.

Se você usa Amplitude ou Mixpanel, explore as funcionalidades de IA nativa antes de exportar dados para ferramentas externas. A vantagem é que você trabalha com dados em tempo real, sem o trabalho de exportação e formatação.

O fluxo completo de análise assistida por IA

Ter as ferramentas é só o começo. O que diferencia um PO que usa IA bem de um que usa mal é o processo. Aqui está um fluxo completo, passo a passo.

Passo 1 — Defina a pergunta antes de abrir qualquer ferramenta

Esse é o passo mais importante e mais ignorado. A maioria das análises ruins começa com "vou ver o que os dados dizem". Análises boas começam com uma pergunta específica.

Antes de abrir o ChatGPT, o Amplitude ou qualquer coisa, escreva em uma linha:

"Quero entender [fenômeno específico] porque preciso decidir [decisão específica]."

Exemplos:

• "Quero entender por que a taxa de ativação caiu 8 pontos em março porque preciso decidir se priorizamos melhoria de onboarding ou investigação de bug no fluxo de cadastro."
• "Quero entender quais segmentos de usuário têm maior LTV porque preciso decidir para qual perfil vamos otimizar a estratégia de aquisição do Q3."
• "Quero entender a correlação entre uso da feature X e retenção porque preciso decidir se vale destacar essa feature no onboarding."

Com a pergunta clara, você sabe exatamente quais dados precisa, qual análise precisa fazer e qual decisão vai orientar.

Passo 2 — Prepare os dados adequadamente

Dados brutos raramente estão prontos para análise direta com IA. Antes de fazer upload ou colar qualquer coisa, verifique:

Qualidade dos dados: existem valores nulos que vão distorcer os cálculos? Existem duplicatas? O período de análise está correto?

Privacidade: os dados contêm PII (informações de identificação pessoal)? Se sim, anonimize antes de fazer upload. Substitua emails por IDs aleatórios, nomes por números, informações de empresa por categorias genéricas. Isso não é opcional — é LGPD.

Contexto que a IA vai precisar: a IA não sabe o que é "normal" para o seu produto. Antes de pedir a análise, escreva um parágrafo de contexto:

"Somos uma plataforma B2B de gestão de tarefas para pequenas empresas. Nossa retenção histórica no D30 é de 52%. Uma sessão ativa é definida como o usuário completando ao menos 3 ações significativas. O período de análise começa em janeiro porque houve uma mudança de onboarding em dezembro que queremos isolar."

Com esse contexto, a IA interpreta os dados dentro da realidade do seu produto — não de forma genérica.

Passo 3 — Comece com a análise exploratória

Antes de ir direto para a hipótese, peça uma visão geral dos dados para verificar se estão completos e para identificar padrões não esperados:

"Antes de analisar a hipótese principal, faça uma análise exploratória dos dados. Informe: 1) Quais são as colunas disponíveis e o que cada uma representa, 2) Existem valores ausentes ou anomalias que precisam de atenção, 3) Quais são as distribuições principais (médias, medianas, outliers), 4) Existe algum padrão imediatamente visível que eu deveria conhecer antes de aprofundar?"

Esse passo de sanidade previne análises baseadas em dados sujos ou mal interpretados.

Passo 4 — Teste a hipótese principal

Com o contexto estabelecido e os dados verificados, vá para a análise central. Seja específico sobre o método:

"Minha hipótese é que usuários que completam o tutorial de onboarding (coluna 'completed_onboarding' = true) têm retenção D30 significativamente maior do que usuários que não completam. Teste essa hipótese: calcule a retenção D30 para cada grupo, verifique se a diferença é estatisticamente significativa, e informe o tamanho do efeito."

Passo 5 — Peça hipóteses alternativas

Esse é o passo que separa análises amadoras de análises maduras. Depois de confirmar ou refutar a hipótese principal, peça para a IA questionar o seu raciocínio:

"A análise confirmou que usuários que completam o onboarding têm retenção maior. Antes de concluir que 'melhorar o onboarding melhora a retenção', quais hipóteses alternativas poderiam explicar esses dados? Quais seriam as evidências que permitiriam distinguir entre causa e correlação aqui?"

Essa pergunta frequentemente revela que você estava prestes a tomar uma decisão de produto baseada em correlação sem evidência de causalidade.

Passo 6 — Triangule com dados qualitativos

Nenhuma análise quantitativa está completa sem o contexto qualitativo. Após identificar padrões nos dados, cruce com o que você sabe de outras fontes:

• O que as entrevistas de usuário mais recentes revelam sobre esse comportamento?
• Os tickets de suporte do período confirmam ou contradizem o que os dados mostram?
• O NPS aberto menciona algo relacionado ao padrão encontrado?

Para esse cruzamento, use o Claude ou NotebookLM, que lidam melhor com síntese de múltiplas fontes textuais.

Passo 7 — Gere o output para a audiência certa

A análise está pronta. Agora você precisa comunicá-la. Peça para a IA formatar o resultado de acordo com o público:

Para o time de produto e engenharia: "Crie um sumário técnico desta análise incluindo: metodologia utilizada, dados brutos usados como base, premissas assumidas, resultado principal, limitações da análise e próximos passos recomendados para validação."

Para o CPO ou liderança: "Crie um sumário executivo de 3 parágrafos desta análise. Parágrafo 1: o que descobrimos. Parágrafo 2: por que importa para o negócio. Parágrafo 3: o que recomendamos como próximo passo e por quê."

Análise de métricas por tipo — casos práticos detalhados

Analisando retenção com IA

Retenção é a métrica mais crítica de produto — e uma das mais complexas de interpretar corretamente. Análise de cohort mal feita leva a conclusões erradas com frequência.

Exporte do Amplitude, Mixpanel ou da sua ferramenta de analytics os dados de cohort com pelo menos: data de cadastro, ID do usuário (anonimizado), data de cada sessão ativa.

Prompt para análise de cohort: "Estes são dados de retenção por cohort. Para cada cohort mensal, calcule as taxas de retenção no D7, D14, D30 e D60. Em seguida: 1) Identifique os cohorts com melhor e pior retenção em cada período, 2) Calcule a tendência: a retenção está melhorando ou piorando ao longo dos últimos 6 meses? 3) Existe algum cohort que quebra a tendência — seja significativamente melhor ou pior do que os adjacentes? Se sim, o que aconteceu naquele período que poderia explicar a anomalia?"

A pergunta sobre anomalias é crucial. Muitas vezes um cohort que performou excepcionalmente bem ou mal coincide com uma mudança de produto, uma campanha diferente ou um evento externo. Identificar essa correlação pode ser o insight mais valioso de toda a análise.

Analisando funil de conversão com IA

O funil de conversão tem um problema clássico: todo mundo olha para a taxa de conversão total. Poucos olham para onde a taxa varia por segmento.

"Estes são dados do funil de conversão das últimas 8 semanas. O funil tem as etapas: [lista as etapas]. Analise: 1) Taxa de conversão de cada etapa para cada segmento de usuário: mobile vs. desktop, orgânico vs. pago, novo usuário vs. retornante, 2) Qual etapa tem maior variação de conversão entre segmentos? 3) Se priorizarmos a melhoria da etapa com maior queda absoluta de usuários, qual é o impacto potencial na conversão total? E se priorizarmos a etapa com maior variação entre segmentos, qual seria o impacto? Compare os dois cenários."

Esse prompt não apenas identifica o problema — ele quantifica o impacto de resolver cada problema, o que torna a priorização de engenharia muito mais fácil de justificar.

Analisando engajamento por feature com IA

Você tem dados de uso por feature. Mas uso alto não significa valor alto — e essa distinção é fundamental.

"Estes são dados de uso por feature dos últimos 90 dias. Para cada feature, tenho: número de usuários que usaram pelo menos uma vez, frequência média de uso por usuário ativo, e taxa de retenção D30 de usuários que usaram versus que não usaram. Analise: 1) Quais features têm alto uso mas baixa correlação com retenção (possível 'feature de curiosidade' com baixo valor real)? 2) Quais features têm baixo uso mas alta correlação com retenção (possível feature subexplorada de alto valor)? 3) Quais features têm tanto alto uso quanto alta correlação com retenção (candidatas a destaque no onboarding)? 4) Existe alguma combinação de features — quando usadas juntas — que tem correlação especialmente forte com retenção?"

A quarta pergunta frequentemente revela o padrão mais valioso: não é uma feature isolada que retém usuários, mas uma combinação de comportamentos que define o "momento aha" do produto.

Analisando NPS e feedback aberto com IA

O NPS quantitativo é fácil de medir. O NPS aberto — os comentários — é onde o ouro está, e também onde a maioria das empresas falha em extrair valor.

Cole os comentários abertos dos últimos 3 meses no Claude ou no ChatGPT:

"Estes são [N] comentários abertos de NPS coletados nos últimos 3 meses. Realize a seguinte análise: 1) Categorize cada comentário em um dos seguintes temas (ou crie um novo tema se necessário): Desempenho/velocidade, Usabilidade/UX, Funcionalidade faltante, Bug/erro, Integrações, Preço, Suporte ao cliente, Elogio geral. 2) Após categorizar, identifique o tema mais frequente entre promotores (notas 9-10) e o tema mais frequente entre detratores (notas 0-6). 3) Existe algum tema que aparece tanto em promotores quanto em detratores — mas com sentimento oposto? Isso indicaria uma feature ou aspecto do produto que cria opinião forte. 4) Identifique os 5 comentários que melhor representam o sentimento mais crítico dos detratores e os 5 que melhor representam o que os promotores mais valorizam."

Esse prompt transforma 300 comentários de NPS em insights acionáveis em menos de 5 minutos.

Analisando comportamento de churn com IA

Entender churn antes que aconteça é o sonho de todo PO. Com dados históricos, IA pode ajudar a identificar sinais de risco.

"Tenho dados de usuários que cancelaram nos últimos 6 meses (labeled como 'churned') e usuários que permaneceram (labeled como 'retained'). Para cada grupo, tenho dados de comportamento das 4 semanas antes do cancelamento (ou da data de referência para retidos): número de sessões por semana, features usadas, tickets abertos com suporte, tempo médio de sessão, e número de usuários ativos da conta. Analise: 1) Quais comportamentos nas semanas anteriores ao churn eram mais diferentes entre churned e retained? 2) Existe uma semana específica antes do churn em que os comportamentos começam a divergir significativamente? 3) Com base nessa análise, quais seriam os 3 sinais de alerta que poderíamos monitorar para identificar usuários em risco antes que cancelem?"

Esse tipo de análise — que levaria dias de trabalho para um analista de dados — leva horas com IA. E os sinais de alerta identificados podem virar triggers de ação automática (email de reengajamento, contato de customer success, oferta de desconto).

Construindo uma rotina de análise semanal com IA

Análise esporádica não constrói intuição de produto. O que constrói intuição é o contato regular com os dados — e a prática de formular e testar hipóteses sistematicamente.

Sugestão de cadência semanal para o PO Pleno:

Segunda-feira (45 minutos) — Pulso semanal

Extraia as métricas principais da semana anterior. Cole no Claude com o contexto do produto e use este prompt:

"Aqui estão as métricas desta semana comparadas com a semana anterior e com a média das últimas 4 semanas: [dados]. Identifique: 1) Qual métrica teve a variação mais significativa (positiva ou negativa)? 2) Essa variação é estatisticamente relevante ou pode ser ruído? 3) Existe alguma métrica que está em tendência preocupante — não necessariamente com queda abrupta esta semana, mas com degradação consistente nas últimas semanas? 4) Com base nessa análise, qual deveria ser a principal pergunta analítica da semana?"

Essa última pergunta é ouro — ela define o foco analítico da semana inteira a partir dos dados, não das opiniões da última reunião.

Quarta-feira (60 minutos) — Análise profunda

Use esse tempo para investigar a pergunta identificada na segunda-feira. É aqui que você usa o Code Interpreter com dados mais granulares, cruza com dados qualitativos e chega a hipóteses testáveis.

Sexta-feira (30 minutos) — Síntese e comunicação

Use IA para transformar as descobertas da semana em um update para o time e para stakeholders. Registre também as hipóteses levantadas que ainda não foram validadas — elas entram na agenda da semana seguinte ou viram itens de discovery.

Armadilhas críticas na análise de produto com IA

Confundir correlação com causalidade

Este é o erro mais grave e mais comum. A IA vai identificar que usuários que usam a feature X têm 3x mais retenção que os que não usam. Isso não significa que a feature X causa retenção — pode ser que usuários mais engajados, que naturalmente retêm mais, também tendem a usar a feature X.

Sempre pergunte: "Esta é uma relação causal ou correlacional? Que experimento controlado poderia testar a causalidade?"

A resposta honesta da IA para essa pergunta frequentemente evita decisões de produto baseadas em premissas falsas.

Aceitar o output sem verificar o raciocínio

IA pode calcular errado. Pode interpretar mal uma coluna. Pode assumir uma premissa incorreta. Para análises críticas — aquelas que vão fundamentar decisões de priorização importante — sempre verifique:

"Mostre o código que usou para calcular essa taxa de retenção" ou "Mostre o raciocínio passo a passo para chegar nessa conclusão."

Se a IA não conseguir justificar o raciocínio de forma clara, trate o resultado com desconfiança.

Fazer upload de dados com PII

Dados de produto frequentemente contêm e-mails, nomes, informações de empresa, IPs e outros dados pessoais. Fazer upload desses dados em ferramentas de IA externas pode violar a LGPD e as políticas de segurança da sua empresa.

A regra é simples: anonimize antes de fazer upload. Substitua IDs de usuário por hashes, e-mails por identificadores numéricos sequenciais, nomes por códigos. O resultado da análise é idêntico — a exposição de dados é zero.

Se sua empresa usa dados muito sensíveis, verifique se há opções de IA on-premise ou com contratos de confidencialidade adequados (Azure OpenAI, por exemplo, tem termos específicos para dados corporativos).

Usar IA para confirmar o que você já acredita

O viés de confirmação — a tendência de buscar dados que confirmam nossa hipótese — não desaparece com IA. Você pode formular perguntas que levam a IA a confirmar o que você já quer ouvir.

A antídota é sistemática: sempre peça para a IA apresentar o contra-argumento mais forte para a sua conclusão. E peça hipóteses alternativas antes de fechar qualquer análise.

"Minha conclusão foi [X]. Qual é o argumento mais forte contra essa conclusão? O que estou possivelmente ignorando?"

Substituir o pensamento analítico pelo output da IA

PO que para de pensar analiticamente porque "a IA analisa" vai perder a capacidade de questionar outputs incorretos, de identificar quando a pergunta errada está sendo respondida e de conectar insights que estão além dos dados disponíveis. Use IA para ir mais rápido, não para pensar menos.

Integrando análise de IA com o ciclo de discovery

Análise de dados não existe no vácuo — ela alimenta e é alimentada pelo discovery contínuo. O ciclo maduro é:

Dados quantitativos revelam um padrão → você formula uma hipótese → entrevistas qualitativas testam a hipótese → novas perguntas emergem → você volta para os dados para verificar a escala.

IA acelera cada etapa desse ciclo:

Para formular hipóteses a partir de dados: "Com base nessa análise de dados, quais hipóteses de comportamento de usuário poderiam explicar os padrões encontrados? Para cada hipótese, sugira como ela poderia ser testada em entrevistas qualitativas."

Para preparar perguntas de entrevista a partir de dados: "Esses dados mostram que usuários do segmento A têm retenção 40% menor que usuários do segmento B nas primeiras 2 semanas. Escreva 8 perguntas de entrevista de usuário que poderiam revelar as razões comportamentais por trás dessa diferença."

Para sintetizar learnings de entrevistas com dados: "Essas são as principais descobertas das últimas 10 entrevistas de usuário: [resumo]. Esses dados quantitativos mostram [dados]. Os learnings qualitativos confirmam, contradizem ou complementam o que os dados mostram? Existe alguma tensão entre o que usuários dizem e o que os dados mostram que merece investigação?"

Onde aprofundar

Livros fundamentais:

Lean Analytics, de Alistair Croll e Benjamin Yoskovitz. O guia mais prático sobre quais métricas realmente importam em cada estágio de um produto. O framework de One Metric That Matters (OMTM) é especialmente valioso para POs que se perdem em dashboards com dezenas de indicadores.

Continuous Discovery Habits, de Teresa Torres. A conexão entre dados quantitativos e discovery qualitativo. Como usar evidências de múltiplas fontes para tomar decisões de produto com mais confiança.

Everybody Lies, de Seth Stephens-Davidowitz. Não é sobre produto, mas é sobre como dados revelam comportamentos que as pessoas não dizem em voz alta. Muda a forma de fazer perguntas aos dados.

Thinking in Bets, de Annie Duke. Sobre tomar decisões com informação incompleta — o que é 100% do dia a dia do PO. A seção sobre probabilidades e calibração de confiança é diretamente aplicável à análise de produto.

Cursos:

Product Analytics na Reforge — denso, baseado em casos reais de empresas como Duolingo, Airbnb e Spotify. Um dos mais respeitados do mercado para POs.

SQL para Product Managers no Mode Analytics — se você quer parar de depender completamente de analistas para extrair dados, esse é o caminho. Não precisa se tornar um analista — precisa entender o suficiente para formular as perguntas certas.

Curso de Analytics no Amplitude Academy — gratuito, focado na ferramenta mais usada em produtos digitais no Brasil. Vale mesmo que você não use Amplitude — os conceitos de análise de cohort e funil se aplicam a qualquer ferramenta.

Ferramentas para explorar:

Amplitude Ask — perguntas em linguagem natural diretamente sobre seus dados do Amplitude.

Mixpanel Spark — funcionalidade de IA generativa nativa do Mixpanel para geração de insights automatizados.

Heap com IA — autocaptura de eventos com análise automática de impacto de features.

Hotjar IA — análise automática de heatmaps e sessões gravadas com identificação de pontos de fricção.

Certificações relevantes:

Product Analytics Certification — Amplitude oferece gratuitamente na plataforma deles. Reconhecida no mercado.

Google Analytics 4 Certification — gratuita, cobre fundamentos de analytics que se transferem para qualquer ferramenta.

Conclusão

Dados não tomam decisões. Você toma decisões — com dados. A diferença entre o PO Pleno que usa IA na análise e o que não usa não está no acesso à informação: ambos têm os mesmos dados disponíveis. Está na velocidade e na profundidade com que essa informação é processada.

Com IA bem integrada ao fluxo de análise, você chega em reuniões de priorização com análises que levaram 2 horas em vez de 2 dias. Apresenta hipóteses com contra-argumentos já antecipados. Conecta padrões quantitativos com evidências qualitativas de forma sistemática. E — talvez mais importante — libera tempo mental para fazer o que os dados não fazem: julgar, priorizar e decidir.

No próximo módulo, vamos usar esse novo nível de autonomia analítica como base para o próximo salto: automatizar as tarefas repetitivas que ainda consomem tempo no dia a dia do PO Pleno.