Case · Neoway · 2025–2026
Transformando uma Data Search em Sales Intelligence Platform com IA
Redesign end-to-end do principal produto de dados da Neoway — de fricção semântica e dependência de CS para prospecção autônoma com IA contextual.
Se você só ler uma parte
O problema não era layout nem onboarding — era fricção semântica: o sistema não falava a linguagem do usuário.
Nichei por MRR (54% prospecção), entreguei IA contextual em micro-momentos — não chat amplo — e defendi layout vertical com evidência de pesquisa.
Piloto: −41% tempo de configuração, −32% tickets de suporte. A arquitetura de sidebar e filtros destravou o Digital Audience.
O problema
Search funcionava, mas não escalava.
A Search era o motor de leads B2B da Neoway — R$ 3,3M MRR, 220 clientes, 91% usando o produto. Durante o projeto, a empresa passou por reestruturação: 3 PMs e 2 Heads trocados.
87% dos clientes recorriam ao Customer Success mensalmente
12 a 18 minutos para configurar uma busca qualificada
Alto abandono em sessões com mais de 5 filtros
Interface genérica tentando atender Jobs to Be Done incompatíveis entre verticais
Marketing sem produto — apenas APIs
Hipótese: o usuário precisava aprender a linguagem do sistema. O sistema não falava a linguagem do usuário.
Onde comecei
Não dava para consertar tudo de uma vez sem quebrar o produto — o trabalho começou como perguntas.
Como aplicar decisões centradas no usuário?
Entrei com a V1 já em implementação. Conduzi análise heurística de 8 passos e teste com 7 CSs antes de propor mudanças de interface.
Como trazer usuários ao processo de decisão?
Personas comportamentais com 8 entrevistas, teste V2 com 14 participantes e gravações que sustentaram decisões frente a novas gestões.
Como reduzir fricção semântica?
Benchmark ZoomInfo, Lusha e Apollo. O insight: traduzir linguagem natural em filtros técnicos — não melhorar só o layout.
Como nichar sem perder o produto?
54% do MRR nas 3 maiores verticais de prospecção. Propus foco em Sales & Marketing antes de escalar para Risk e Legal.
Como entregar IA com confiança?
IA contextual com tags editáveis, fallback manual e créditos visíveis — negociado com Eng antes do MVP.
Hipóteses
Quais eram as apostas de produto?
Condução autônoma
A interface deveria guiar o usuário para iniciar a pesquisa sem estado vazio, onboarding pesado ou apoio do CS para identificar filtros.
Fricção semântica
Se reduzirmos a distância entre linguagem natural e taxonomia técnica, tempo de configuração cai ≥30% e dependência de CS reduz significativamente.
Processo
Como conduzi o trabalho — e onde entrei
Duas semanas de diagnóstico antes de UI. Dois ciclos de teste. MVP de IA com salvaguardas de engenharia.
Análise heurística + Teste V1
7 CSs, 4 tarefas, 15 componentes. 13/15 aprovados — mas 4 de 11 pediram ajuda. Layout horizontal mal recebido.
Personas + benchmark
8 entrevistas, jornada Search → On Target → Marketing (só API). Referências de mercado para onboarding contextual.
Protótipo V2 + Teste V2
14 participantes, 9 trilhas. 14/14 iniciaram pela busca textual. 0 pedidos de ajuda no teste.
MVP Buscar filtros com IA
Tradução NL→filtros, créditos visíveis, latência <1,5s, fallback manual. Escopo limitado — não chatbot amplo.
Piloto + medição
~38 contas Sales & Marketing. −41% tempo de configuração, −32% tickets Zendesk pós-lançamento.
Solução
Sales Intelligence Platform orientada à intenção
Layout vertical validado, sidebar com verbos de jornada, busca com IA como ponto principal e pipeline contínuo de descoberta → priorização → ação.
Decisões-chave
O que sustentei com evidência
Pausei o redesign antes de propor UI
Entrei com V1 em implementação. Diagnóstico heurístico + teste V1 evitaram shipping prematuro.
Nichei escopo via MRR
Prospecção (54% MRR) vs. melhorias paralelas em Risk e Legal. PM validou após ver dados.
Mantive layout vertical com gravações
2º PM propôs retrocesso horizontal. Apresentei gravações de 14 participantes — V2 mantida.
IA contextual, não chatbot
Escopo limitado preservou previsibilidade. Tags editáveis + fallback manual negociados com Eng.
Validação
Teste V2 — 14 participantes
14/14
Iniciaram pela busca textual
0
Pedidos de ajuda no teste
7
CSs dispostos a migrar clientes
Tarefas simulavam rotina real: descrever lead ideal, refinar resultados, salvar seleção, seguir para priorização. Observei tempo, hesitação e entendimento da tradução NL→filtros.
Resultados
Impacto mensurável no piloto
−41%
Tempo de configuração de busca
−32%
Tickets de suporte
54%
MRR nichado em prospecção
Piloto com ~38 contas Sales & Marketing (fev–mar 2026). A arquitetura de sidebar e filtros reutilizáveis acelerou o capítulo seguinte: Digital Audience.
Retrospectiva
O que levo do processo
Documentaria ADRs de continuidade desde a 1ª troca de PM — mantive registro informal que evitou reteste, mas deveria ter sido formalizado.
Vision work corre em relógio mais lento que product work — julgar só pelo que shipou durante a tenure é medida errada.
A arquitetura pensada para Marketing (ainda só API) foi o que destravou Digital Audience quando fui realocada após o MVP.
Próximo capítulo
Digital Audience
Com o Lumen concluído, a sidebar e os filtros reutilizáveis viraram base para tornar a API de marketing operável — produto na plataforma Trillia.
Introdução
Quando entrei no projeto, a proposta parecia simples: evoluir um novo produto de busca para substituir uma solução legada.
Problema
O produto
A Search era o principal motor na jornada de geração de leads B2B da Neoway.
- R$ 3,3M de MRR · 220 clientes ativos · 91% dos clientes utilizavam o Search
- Ticket médio: R$ 17K
- Principais verticais: Inst. Financeiras (41%) · Tech & Telco (17%) · Serviços (15%)
- Atendia múltiplas BUs: Sales & Marketing, Risk & Compliance e Legal Analysis
O problema estrutural
O produto funcionava, mas não escalava.
- 87% dos clientes recorriam aos Customer Success mensalmente
- 12 a 18 minutos para configurar uma busca qualificada
- Alto abandono em sessões com mais de 5 filtros
- Forte dependência de código legado
Hipótese: O usuário precisava aprender a linguagem do sistema. O sistema não falava a linguagem do usuário.
O agravante organizacional
Durante o projeto, a empresa estava em reestruturação após aquisições. Perdi 3 PMs consecutivos, o Head da BU saiu, e a cada troca de gestão a direção do produto era requestionada.
Contexto organizacional (detalhe)
A cada troca de PM, reuni ADRs, gravações de teste e hipóteses validadas em doc compartilhado — o 3º PM usou como onboarding. Mantive coerência de arquitetura frente a retrocessos propostos por gestões novas. Isso não estava no meu escopo formal, mas evitou reteste de decisões já fechadas.
Escopo e papel (detalhe)
Como Product Designer, conduzi discovery e delivery do MVP de IA: diagnóstico heurístico, testes V1 e V2, personas comportamentais, benchmark, protótipo V2 e salvaguardas com Eng. Traduzi mudanças estratégicas em soluções práticas, conectei jornadas fragmentadas entre Search, On Target e Marketing (só API), e estruturei decisões de arquitetura que depois apliquei diretamente no Digital Audience, ao ser realocada após a conclusão do Lumen.
O insight
O problema era o modelo conceitual, não a interface
Os testes deixaram claro uma fricção semântica entre o modelo mental dos usuários e a taxonomia do sistema. Melhorias de layout ou onboarding não resolveriam: verticais diferentes usam vocabulários, workflows e critérios próprios. A baixa autonomia não era falta de instrução — era efeito de uma interface genérica tentando atender Jobs to Be Done incompatíveis.
Condução autônoma
A interface, por si só, deveria guiar o usuário para iniciar a pesquisa, sem necessidade de estado vazio, filtros avançados, onboarding, treinamento prévio ou apoio do CS para identificar os filtros e suas categorias.
Fricção semântica
Se reduzirmos a fricção entre linguagem natural do usuário e taxonomia técnica da base, o tempo de configuração cairá pelo menos 30%, a dependência de CS reduzirá significativamente e a ativação de filtros avançados aumentará.
Diagnóstico V1
Ao entrar no time, o Lumen — redesign do Search — já havia começado implementação. Conduzi análise heurística e teste de usabilidade com 7 CSs de Sales & Marketing antes de propor mudanças.
Diagnóstico V1 — protocolo completo
Análise heurística: mapeei 8 passos da jornada (extrair oportunidades → importar → de:para → segmentar → explorar → exportar → acompanhar performance). Teste V1: 7 CSs (4 novos <4 meses, 3 antigos >1,5 ano), pensamento em voz alta, 1h cada. Protocolo com 4 tarefas estruturais, critérios formalizados (usabilidade, função, nomenclatura) em 15 elementos. Tarefa 1 — Pesquisa com filtros de situação cadastral, funcionários e telefone. Tarefa 2 — Observar resultados e adicionar filtro de região. Tarefa 3 — Abrir profile e comparar CNAE de 3 empresas. Tarefa 4 — Enviar pesquisa para outro aplicativo e localizar exportação. 13 de 15 componentes aprovados nos três critérios.
Escopo e direção
- 54% do MRR nas 3 maiores verticais de prospecção
- Maior frequência de uso diário: jornada de prospecção Sales & Marketing
- On Target organizava leads, mas não resolvia descoberta
- Marketing não possuía produto — apenas APIs
Sales Intelligence Platform — orientada à intenção, não só busca.
Research detalhado: personas, jornada e benchmark
Personas comportamentais (8 entrevistas, ~1h): refinei hard/easy users da BU. · Inteligência de Mercado — precisão estratégica, alta familiaridade com filtros, busca exploratória. Confiança = completude dos dados. · Pré-vendas — velocidade operacional, triagem de leads, atalhos. · Vendedor — contexto acionável, baixa familiaridade com filtros, espera que o sistema trabalhe por ele. Padrões: top-down (maior ticket) vs. bottom-up (maior volume). Jornada: Search → On Target → Marketing quebrava fluxo cognitivo — Marketing era só API. Benchmark ZoomInfo, Lusha, Apollo: onboarding contextual, 'ignorar' filtro, barra vertical, jornada integrada Sales & Marketing.
Solução
Decisões de design
Seis escolhas estruturais que traduzem a hipótese de fricção semântica em interface. Clique nos números ou role a lista para explorar cada decisão.
Layout vertical com fluxo linear de pesquisa
Verticalização dos filtros com categorias expandíveis no painel lateral esquerdo — validado no teste V2 vs. horizontal rejeitado na V1.
De nomes de produto para verbos de jornada
Sidebar passou a usar verbos: Conhecer/Pesquisar, Priorizar, Monitorar, Mensurar.
Busca de filtros com IA como ponto principal
Barra 'Buscar filtros com IA' — traduz linguagem natural em filtros técnicos com tags editáveis.
Pipeline sem sair da tela
Fluxo contínuo de descoberta → priorização → ação.
Três visões unificadas, incluindo Maps
Lista, dashboard e mapa no mesmo contexto de pesquisa.
Totalizadores e filtros do On Target integrados
Recomendações de priorização dentro do fluxo de busca.
Menu para opções
Limpar histórico de busca para nova sessão — evita contexto stale da IA.
Perguntas sugeridas
Reduz blank-page anxiety para usuários indecisos — atalho para primeira query.
Caixa de conversa com a IA
Entrada em linguagem natural — escopo limitado a tradução de filtros, não chat aberto.
Botão de enviar
Habilita ao digitar — feedback imediato de que a ação está disponível.
Créditos
Saldo visível no input — decisão de produto: teto mensal vs. ilimitado (ver decisão #7).
Card do usuário
Tom muted e recuo — diferencia input do usuário da resposta da IA.
Card IA — carregando
Highlight + ícone — feedback de processamento durante latência (<1,5s acordado com Eng).
Créditos
Saldo permanece visível durante carregamento — usuário sabe o custo antes do resultado.
Racional de IA — detalhe técnico
Descartei chatbot conversacional amplo. Estratégia: IA contextual em micro-momentos — previsibilidade (escopo visível), confiança incremental (cada tradução bem-sucedida), autonomia preservada (usuário edita tags). Pipeline: interpretação de texto livre → mapeamento semântico → aplicação de filtros prováveis → log de padrões. Resistência técnica: latência, custo/query, risco de interpretação incorreta. Salvaguardas negociadas com Eng: fallback manual, tags editáveis, latência <1,5s, sugestões na barra, sinalização de incompletude, placeholder com exemplos, limites visíveis.
Validação V2
Setup do teste
Condução
Conduzi teste V2 com tarefas que simulavam rotina: descrever lead ideal, refinar resultados, salvar seleção, seguir para priorização. Observei tempo, hesitação e entendimento da tradução NL→filtros.
Achados
Detalhes
Tarefas do teste V2
O roteiro foi estruturado em 9 trilhas: 1. Primeiras impressões, com análise visual sem interação 2. Identificações 3. Início da pesquisa, campo textual vs. seletores de filtro 4. Trilha 1 (valor direto) vs. Trilha 2 (filtro por categoria) 5. Conexão das trilhas, teste sem barra de busca 6. Plot twist: "ignorar" filtros previamente incluídos 7. Categorias: "Seus Dados" vs. "Dados Gerais" 8. Central de filtros, localização e compreensão 9. Dashboard, visão geral vs. visão em lista.
Decisões-chave
Diagnóstico
Pausei o redesign antes de propor UI
Entrei com a V1 já em implementação. Conduzi análise heurística de 8 passos e teste com 7 CSs antes de qualquer mudança de interface — duas semanas de diagnóstico que evitaram shipping prematuro.
Bloqueei confiança em onboarding em massa na V1
4 de 11 participantes pediram ajuda no teste V1. Argumentei com PM que lançar onboarding em massa aumentaria tickets e risco de churn; priorizamos autonomia antes de escala.
Estado cheio, não vazio
Estado vazio era mais limpo, mas não orientava. Escolhi estado cheio com totalizadores (60M+ empresas, 24M+ ativas) apesar da resistência estética — alinhou com modelo mental B2B marketplace.
Produto e IA
Nichei escopo via MRR, não consenso de BU
Propus focar prospecção Sales & Marketing (54% do MRR nas 3 maiores verticais). PM validou após ver dados; sacrifiquei melhorias paralelas de Risk, Compliance e Legal para fechar MVP em prospecção.
Mantive layout vertical com gravações
2º PM propôs voltar ao layout horizontal pós-testes. Apresentei gravações de 14 participantes e argumento de risco: CSs não recomendariam onboarding com V1. V2 mantida.
IA contextual, não chatbot
Descartei chat amplo após benchmark (ZoomInfo, Apollo) e resistência de Eng a latência/custo. Priorizei tradução NL→filtros com tags editáveis e fallback manual.
Créditos visíveis, não ilimitado
Eng estimava ~R$ 0,08/query de inferência. Propus créditos mensais por conta (pacote piloto: 200/mês) em vez de ilimitado — tradeoff: custo previsível × risco de fricção se esgotar sem aviso. Hipótese: limite visível aumenta confiança. Sacrifício: usuários heavy precisariam de upgrade.
Salvaguardas técnicas com Eng antes do MVP
Negociei com Tech Lead: fallback manual obrigatório, tags editáveis, latência <1,5s, sinalização quando IA não interpreta. Sem isso, não lançava — risco de confiança era maior que ganho de autonomia.
Organização e impacto
Continuidade entre 3 PMs
A cada troca, reuni ADRs + gravações + hipóteses validadas em doc compartilhado. Quando o 3º PM entrou, evitamos reteste de decisões já fechadas — PM usou o doc como onboarding.
Arquitetura reutilizável pensando no Marketing
Estruturei sidebar e filtros reutilizáveis no Lumen pensando na jornada de Marketing — que ainda existia só como API. Essa base foi o que, depois do MVP do Search, acelerou o capítulo seguinte: a interface do Digital Audience.
Resultados e medição
Como medimos
Próximo capítulo: Digital Audience
Com o Lumen concluído, fui realocada para o Digital Audience — produto que existia apenas como API. A arquitetura de sidebar e filtros reutilizáveis que estruturei no Search virou a base do capítulo seguinte.
A ferramenta operacional generalista de busca se tornou
Infraestrutura de ponta a ponta para jornada inbound e outbound de prospecção.
Com motor semântico via IA
Lumen reduziu ~41% do tempo de configuração na pesquisa (teste V1→V2) e −32% nos tickets de suporte — mesmo em meio a alta instabilidade organizacional.
Product Designer
Nathalia Maciel