A receita seguia entrando, mas o produto já estava perdendo sustentação
O ponto de partida era delicado. O produto ainda movimentava bilhões de reais por ano, mas apresentava sinais claros de desgaste. Clientes novos e antigos migravam para cestas gratuitas ou de menor valor, enquanto a lógica tradicional de cobrança perdia aderência em uma base cada vez mais digital.
Esse cenário criava um primeiro risco: perda silenciosa de margem. Sem leitura clara das causas, a operação via a receita enfraquecer sem a capacidade de identificar com precisão onde a jornada deixava de sustentar valor.
O segundo risco era jurídico. Durante o estudo, surgiram cerca de 85 mil clientes com cestas pagas sem registro formal de aceite, com concentração maior em determinadas regiões e canais indiretos. Esse achado ampliava a exposição da operação a questionamentos e passivos difíceis de dimensionar previamente.
O terceiro risco era organizacional. Os dados estavam dispersos entre várias plataformas, a leitura da jornada era fragmentada e diferentes áreas operavam com visões parciais do mesmo problema. Produto, marketing, atendimento e jurídico enxergavam sintomas, mas faltava uma base analítica comum para orientar decisão.
Primeiro, integrar o que estava disperso. Depois, dar forma ao que o produto ainda não conseguia explicar
A resposta foi construir uma leitura única para um problema que até então aparecia quebrado em múltiplas áreas.
A MATH atuou como elo técnico e estratégico entre equipes, organizando uma arquitetura analítica capaz de conectar dados internos de operação bancária com comportamento digital e sinais externos de percepção do cliente. Essa estrutura integrou fontes como Hive, PySpark, Oracle, Google Analytics, BigQuery e Power BI, além de dados abertos como Reclame Aqui, App Store e Google Play.
Com essa base, o estudo passou a observar movimentos que o próprio contexto operacional não conseguia enxergar com clareza. Scripts específicos mapearam padrões de upgrade e downgrade de cestas, enquanto a leitura qualitativa apoiada por IA identificou temas recorrentes nas reclamações e ajudou a traduzir atrito do cliente em oportunidade concreta de produto.
A IA foi aplicada com função precisa. Não para substituir análise, mas para acelerar sumarização, categorização e detecção de padrões em volumes que tornariam a leitura manual lenta e cara demais. O modelo permaneceu rastreável e orientado por governança, mantendo controle sobre custo, lógica e uso dos dados.
A partir daí, a operação pôde agir com mais objetividade. Em vez de campanhas amplas e interpretações genéricas, o time passou a trabalhar com reoferta qualificada, correção de falhas de jornada e recuperação formal de aceite onde isso se mostrava necessário.
O valor do projeto não esteve apenas em encontrar uma nova receita. Esteve em mostrar por que o produto estava perdendo força e como recuperar isso com mais controle.
Receita recuperada, risco exposto e uma nova base para decidir
O primeiro resultado foi financeiro. A operação converteu 12 mil clientes de cestas gratuitas para cestas pagas, com ticket médio de R$ 30, o que gerou aproximadamente R$ 360 mil em receita incremental em apenas 3 meses.
O segundo resultado foi de eficiência econômica. Esse ganho não veio de campanha massiva, aumento de CAC ou ampliação de stack. Ele veio do uso mais inteligente da base existente, da correção de fricções e da reoferta apoiada em uma leitura muito mais qualificada do comportamento do cliente.
O terceiro resultado foi de proteção. A identificação do universo de clientes sem log formal de aceite trouxe à superfície um risco jurídico relevante que antes não estava devidamente dimensionado. Isso muda o papel do estudo. Ele deixa de ser apenas uma análise de monetização e passa a funcionar também como instrumento de governança.
O quarto resultado foi estratégico. O material produzido deixou de servir apenas ao diagnóstico do momento e passou a orientar o planejamento do ciclo seguinte, influenciando reestruturação de pacotes, priorização de backlog e decisões de produto com base mais robusta.
