iron-edge 1.0.0

package/squads/squad-research/knowledge-base/network-effects-analysis.md

@@ -0,0 +1,192 @@
+# Network Effects Analysis
+
+> Extraído e sintetizado de MS-010 Forum & Community Platform Engineering (2026). Cobre Metcalfe's Law, Reed's Law, Chen's Death Spiral e frameworks aplicados para pesquisa de mercado e análise competitiva.
+
+## Por Que Network Effects Importam para Research
+
+Network effects são o moat primário de plataformas comunitárias e muitos mercados digitais. Uma plataforma com network effects cria dinâmicas de winner-take-all que são quase impossíveis de superar uma vez estabelecidas. Entender e medir network effects é essencial para:
+
+- **Análise competitiva:** Identificar se um competidor tem moat de network effects
+- **Market sizing:** Estimar potencial de crescimento não-linear
+- **Risco de entrada:** Avaliar viabilidade de entrar em mercado com forte network effects
+- **Pesquisa de crescimento:** Identificar onde uma plataforma está no ciclo
+
+## As Três Leis Fundamentais
+
+### Metcalfe's Law
+**V = n²**
+
+O valor de uma rede é proporcional ao quadrado do número de usuários conectados.
+
+**Base empírica:** Facebook's revenue ao longo de uma década seguiu closely a curva n-squared — enquanto a base de usuários dobrava, o revenue quadruplicava.
+
+**Quando usar:**
+- Avaliar valor potencial de plataformas de comunicação (ex: WhatsApp, Slack)
+- Comparar redes de tamanho diferente
+- Modelar potencial de crescimento de marketplaces bilaterais
+
+**Limitação crítica:** Assume que TODA conexão é igualmente valiosa — raramente verdade. Usuários inativos ou irrelevantes não adicionam valor real.
+
+**Versão corrigida (Briscoe et al.):** V = n × log(n) — mais realista, ainda supralinear mas não quadrática.
+
+### Reed's Law
+**V = 2^n**
+
+O valor de redes que formam grupos cresce exponencialmente porque o número de subgrupos possíveis escala como 2^n.
+
+**Aplicação:** Plataformas que suportam sub-comunidades e grupos (Discord servers, Facebook Groups, Slack workspaces) capturam mais valor que plataformas limitadas a conexões diáticas.
+
+**Caveats importantes:**
+- Reed's Law nunca foi observado completamente em dados reais de mercado
+- Funciona como limite teórico superior
+- Na prática, grupos têm qualidade muito heterogênea
+
+**Implicação para research:** "Plataformas que habilitam formação de grupos capturam mais valor que plataformas limitadas a conexões individuais" — esta versão qualitativa é suportada empiricamente mesmo que a fórmula exata não seja.
+
+### Andrew Chen's Death Spiral
+O inverso de network effects: se usuários saem, a rede perde valor → mais usuários saem → declínio acelera.
+
+```
+Saída de usuários
+    → Rede menos valiosa
+        → Mais saídas
+            → Aceleração do declínio
+                → Colapso (se não interrompido)
+```
+
+**Contexto empírico:** MySpace, Google+, Vine — todos sofreram Death Spiral uma vez que a saída começou.
+
+**Early warning signals:**
+- DAU/MAU ratio em declínio por 3+ semanas consecutivas
+- Post rate por usuário ativo diminuindo
+- Proportion de usuários que apenas lurking (sem criação) aumentando
+- Moderador volume de ações aumentando (sinal de deterioração de qualidade)
+
+## Tipos de Network Effects: Taxonomia Aplicada
+
+| Tipo | Definição | Como Medir | Exemplos |
+|------|-----------|-----------|---------|
+| **Direct (same-side)** | Mais usuários = mais valor para usuários existentes | DAU × engajamento por usuário | WhatsApp, Telegram |
+| **Indirect (cross-side)** | Mais do Grupo A beneficia Grupo B | Correlação supply×demand, match rate | Uber (drivers↔riders), Airbnb |
+| **Data effects** | Mais uso = algoritmos melhores | Accuracy improvement vs data volume | Spotify (recomendações), Netflix |
+| **Local** | Efeitos dentro de sub-clusters, não toda rede | Engajamento por subreddit/grupo | Reddit (por subreddit), Discord |
+| **Compatibility** | Valor de interoperabilidade com outras redes | Adoção de standards | USB, Bluetooth |
+
+## K-Factor: Coeficiente Viral
+
+```
+K = i × c
+```
+- **i** = número de convites que cada usuário envia
+- **c** = taxa de conversão de cada convite
+
+| K | Dinâmica | Interpretação |
+|---|----------|---------------|
+| K > 1 | Crescimento exponencial | Cada usuário traz mais de 1 novo usuário |
+| K = 1 | Crescimento linear | Cada usuário traz exatamente 1 |
+| K < 1 | Crescimento sub-linear | Requer aquisição externa para sustentar |
+
+**Realidade:** K > 1 puro é extremamente raro e geralmente insustentável. A maioria dos produtos de sucesso tem K entre 0.2-0.8 e combina virality com outros canais.
+
+**Exemplo calculado:** 100 usuários × 3 convites × 60% conversão = K=1.8 → 180 novos usuários → 324 → 583... (exponencial)
+
+## Growth Loops: Tipos e Mecânicas
+
+### 1. Content-SEO Loop (mais sustentável)
+```
+Usuário cria conteúdo → Google indexa → Busca encontra → Novo usuário converte
+→ Novo usuário cria conteúdo → [repete]
+```
+- Stack Overflow domina busca de programação por este loop
+- **Dados 2023-2024:** Reddit cresceu +1,328% em visibilidade SEO após updates do Google
+- **Atenção 2025:** E-E-A-T updates corrigiram parcialmente. Qualidade > volume.
+
+### 2. Invite/Referral Loop
+```
+Usuário desfruta → Convida amigos → Amigos entram → Comunidade mais valiosa → [repete]
+```
+- Referral programs: 10-30% conversão, às vezes >50%
+- Melhor combinado com virality orgânica
+
+### 3. Creator-Audience Loop
+```
+Criador constrói comunidade → Promove para audiência → Audiência entra
+→ Membros criam conteúdo → Conteúdo atrai novos → [repete]
+```
+- Modelo Circle/Mighty Networks: 88% criadores usando memberships pagas
+
+### 4. Data Loop
+```
+Uso gera dados → Dados melhoram produto → Produto atrai mais uso → [repete]
+```
+- Típico de plataformas de ML/IA e search engines
+
+## Retenção como Fundação do Growth
+
+**Andrew Chen:** "O melhor jeito de impulsionar crescimento viral é aumentar retenção e engajamento." Crescimento viral sem retenção é um balde furado.
+
+### Benchmarks de Retenção
+
+| Métrica | Benchmark Saudável | Benchmark Problema |
+|---------|-------------------|--------------------|
+| D1 retention | 40-60% | <20% |
+| D7 retention | 20-35% | <10% |
+| D30 retention | 10-20% | <5% |
+| 90-day retention | 5-15% | <2% |
+
+## Framework de Análise Competitiva de Network Effects
+
+### Para cada competidor, avaliar:
+
+1. **Tipo de network effect presente?**
+   - Direct / Indirect / Data / Local / None
+
+2. **Intensidade do moat?** (1-5)
+   - 1 = Fácil de substituir | 5 = Lock-in extremo
+
+3. **Ponto do ciclo?**
+   - Early traction → Network density → Critical mass → Dominant → Declining
+
+4. **Switching costs combinados?**
+   - Network effects + switching costs = moat duplo (muito difícil de superar)
+
+5. **Vulnerabilidades?**
+   - Subrede específica atacável? (ex: entrar em nicho antes de escalar)
+   - Death spiral iniciando? (métricas de saúde deteriorando?)
+
+### Template de Análise
+
+```
+Empresa: [Nome]
+Network Effect Type: [Direct / Indirect / Data / Local / Multi-sided]
+Moat Strength: [1-5]
+Evidence: [Dados que suportam avaliação]
+Cycle Position: [Early / Growing / Dominant / Declining]
+Vulnerability: [Como atacar este network effect?]
+Death Spiral Risk: [LOW / MEDIUM / HIGH — com evidências]
+```
+
+## Medindo Network Effects em Pesquisa
+
+### Proxy Metrics
+
+| Métrica | O Que Mede | Como Calcular |
+|---------|-----------|---------------|
+| Engagement Elasticity | Engajamento aumenta com tamanho da rede? | Correlação usuários × atividade por usuário |
+| Connection Value | Valor médio de uma conexão adicional | ARPU vs. density de rede |
+| Churn Decay | Usuários com mais conexões churnam menos? | Churn rate por degree centrality |
+| Content Velocity | Mais usuários = mais conteúdo por usuário? | Conteúdo gerado per capita vs. MAU |
+
+### Fontes de Dados para Análise de Network Effects
+
+| Fonte | Dados Disponíveis | Acesso |
+|-------|------------------|--------|
+| SEC Filings (empresas US) | MAU, DAU/MAU, cohort retention | Público |
+| App store analytics | Downloads, ratings trends | Público (limitado) |
+| SimilarWeb | Traffic, engagement metrics | Freemium |
+| App Annie/data.ai | Mobile engagement data | Pago |
+| Semrush | SEO visibility + traffic | Freemium |
+
+---
+
+*Knowledge base da squad-research | Fonte: MS-010 Forum & Community Platform Engineering*

package/squads/squad-research/knowledge-base/qualitative-research-deep-methods.md

@@ -0,0 +1,202 @@
+# Qualitative Research Deep Methods
+
+> Metodologias qualitativas avançadas para pesquisa profunda. Complementa o audience-research-methods.md com abordagens de maior rigor analítico.
+
+## Princípio Central
+
+Pesquisa qualitativa não é "pesquisa sem números" — é pesquisa que prioriza compreensão de significado, contexto e mecanismos causais sobre quantificação de frequência. Responde "por que" e "como", não "quantos".
+
+**Regra de ouro para seleção:**
+- Fenômeno bem compreendido, quer medir frequência → Quantitativo
+- Fenômeno pouco compreendido, quer entender mecanismo → Qualitativo primeiro
+- Decisão de alto impacto → Misto (qualitativo para hipóteses, quantitativo para validação)
+
+## Grounded Theory
+
+### O Que É
+Metodologia desenvolvida por Glaser e Strauss (1967) para construir teoria a partir dos dados, sem hipótese prévia. Usada quando o campo é novo e não existem frameworks suficientes.
+
+### Processo
+1. **Coleta inicial:** Entrevistas abertas ou observação sem framework pré-definido
+2. **Open Coding:** Identificar conceitos nos dados (sem categorias predefinidas)
+3. **Axial Coding:** Identificar relações entre os conceitos identificados
+4. **Selective Coding:** Identificar categoria central que integra todos os outros conceitos
+5. **Constant Comparison:** Comparar dados novos contra categorias emergentes continuamente
+6. **Theoretical Saturation:** Parar quando novos dados não adicionam novas categorias (tipicamente 15-25 entrevistas)
+
+### Quando Usar
+- Explorar fenômenos novos (ex: comportamento de usuários em contexto novo)
+- Gerar teoria onde não existe literatura suficiente
+- Entender processos sociais complexos
+
+### Output
+Teoria substantiva: framework de relações entre conceitos que explica o fenômeno observado.
+
+## Discourse Analysis
+
+### O Que É
+Análise de como linguagem constrói realidade social. Examina o que as pessoas dizem E o que isso revela sobre poder, identidade, normas culturais.
+
+### Tipos
+
+**Análise de Conteúdo (mais simples):**
+- Codificar temas recorrentes em textos
+- Contar frequências de conceitos
+- Identificar padrões de framing
+
+**Análise de Discurso Crítico (CDA):**
+- Examinar como linguagem reflete e reproduce estruturas de poder
+- Questionar "o que está implícito?" e "a quem beneficia esse framing?"
+- Útil para análise de narrativas de marca, políticas e mídia
+
+**Análise de Conversação:**
+- Examinar a estrutura de interações (turnos de fala, interrupções, silêncios)
+- Como acordo/desacordo são negociados
+- Aplicação: UX de chatbots, customer service, comunidades online
+
+### Aplicação em Research Comercial
+- Análise de reviews: como clientes enquadram problemas e soluções
+- Análise de mensagens de marketing de concorrentes: que narrativas constroem?
+- Análise de discussões em comunidades: que termos usam para descrever necessidades não atendidas?
+
+## Etnografia Digital
+
+### O Que É
+Observação participante de comunidades online para entender cultura, normas, comportamentos e significados. Adaptação da etnografia clássica para contextos digitais.
+
+### Protocolo de Campo
+
+**Fase 1 — Entrada (1-2 semanas):**
+- Definir comunidade/plataforma de análise
+- Entender estrutura, regras, hierarquia
+- Identificar tipos de participantes (lurkers, contributors, power users, mods)
+- Não intervir ainda
+
+**Fase 2 — Observação Ativa (4-8 semanas):**
+- Field notes: Data, hora, plataforma, quem disse, o que disse, contexto
+- Mapear vocabulário específico da comunidade (jargões, memes, referências internas)
+- Identificar momentos de tensão e resolução
+- Capturar "rituais" da comunidade (como se cumprimentam, como tratam novatos)
+
+**Fase 3 — Análise:**
+- Temas emergentes da observação
+- Comparar com declarações explícitas dos membros
+- Identificar contradições entre discurso e prática
+
+### Field Notes Template
+```
+Data: [YYYY-MM-DD]
+Plataforma/Comunidade: [Nome]
+Tópico/Thread observado: [URL ou descrição]
+Contexto: [Por que este momento é relevante?]
+Observação: [O que aconteceu, quem, como]
+Minha interpretação: [O que isso significa?]
+Questões emergentes: [O que quero entender melhor?]
+Conexão com outros dados: [Links com observações anteriores]
+```
+
+## Análise Fenomenológica Interpretativa (IPA)
+
+### O Que É
+Método que explora como pessoas dão significado a experiências vividas. Desenvolvido por Jonathan Smith (1995). Muito usado em pesquisa de UX e experiência do consumidor.
+
+### Quando Usar
+- Entender a experiência subjetiva de usar um produto/serviço
+- Explorar momentos críticos de decisão (por que adotou/cancelou?)
+- Pesquisa de experiência do cliente em contextos emocionalmente carregados
+
+### Processo
+1. Coleta: 6-8 entrevistas semi-estruturadas em profundidade (45-90 min)
+2. Transcrição verbatim
+3. Leitura inicial (várias vezes) de cada transcrição
+4. Notas exploratórias: o que está sendo dito, como está sendo dito
+5. Temas emergentes: padrões por entrevistado
+6. Temas agrupados: padrões entre entrevistados
+7. Tabela final: hierarquia de temas com exemplos de quotes
+
+### Output
+Relatório interpretativo com quotes representativos organizados por tema.
+
+## Research de Usabilidade
+
+### Think-Aloud Protocol
+Participante verbaliza pensamentos em tempo real durante uso de produto:
+
+1. **Moderado:** Pesquisador presente, pode fazer follow-up questions
+2. **Não-moderado:** Participante sozinho, gravado por software (ex: Maze, UserTesting)
+3. **Retrospectivo:** Participante descreve experiência após usar
+
+**Métricas:** Task completion rate, tempo por task, pontos de confusão, erros
+
+### Card Sorting
+Para entender como usuários categorizam informação:
+
+| Tipo | Descrição | Quando Usar |
+|------|-----------|------------|
+| **Open** | Participante cria suas próprias categorias | Descobrir modelo mental do usuário |
+| **Closed** | Categorias pré-definidas, participante distribui cards | Validar arquitetura de informação existente |
+| **Hybrid** | Categorias base + flexibilidade para criar novas | Combinar validação e descoberta |
+
+**Ferramenta:** Optimal Workshop, Miro, até post-its físicos
+
+### Jobs-to-be-Done Interviews (Aprofundado)
+
+O JTBD vai além de perguntar o que o cliente quer — explora o "job" que está tentando "contratar" o produto para fazer.
+
+**Protocolo de entrevista (baseado em Christensen + Claire Vo):**
+
+1. **Situação de compra/adoção:** "Me conte sobre a última vez que você [adquiriu/começou a usar] este tipo de produto"
+2. **Linha do tempo:** "O que estava acontecendo na sua vida naquela época?"
+3. **Primeira consulta:** "Quando percebeu pela primeira vez que precisava de algo assim?"
+4. **Consideração:** "O que você considerou como opções?"
+5. **Decisão:** "O que fez você escolher [produto específico]?"
+6. **Força negativa:** "O que quase te impediu de avançar?"
+7. **Contexto emocional:** "Como se sentiu depois de começar a usar?"
+
+**Output:** Job statement: "Quando [situação], quero [motivação], para que [resultado esperado]"
+
+## Análise de Entrevistas: Codificação Sistemática
+
+### Sistema de Codificação
+
+**Passo 1 — Código descritivo:** O que está acontecendo aqui? (sem interpretação)
+> Ex: "frustração-com-onboarding", "menciona-competidor"
+
+**Passo 2 — Código interpretativo:** O que isso significa?
+> Ex: "barreira-de-adoção", "consciência-competitiva-ativa"
+
+**Passo 3 — Padrões:** Quais códigos co-ocorrem? Quais são mais frequentes?
+
+### Ferramentas
+- **Atlas.ti / NVivo:** Software profissional de análise qualitativa
+- **Dovetail:** Específico para pesquisa de usuário
+- **Notion / Airtable:** Para projetos menores
+- **Planilha manual:** Para <50 entrevistas
+
+### Saturação Temática
+Parar coleta quando novas entrevistas não produzem novos temas — geralmente entre 12-20 entrevistas para pesquisa de usuário. Documentar explicitamente quando saturação foi atingida.
+
+## Rigor em Pesquisa Qualitativa
+
+Não se usa "validade e confiabilidade" (termos quantitativos) — usa-se:
+
+| Critério | Significado | Como Demonstrar |
+|----------|-------------|-----------------|
+| **Credibilidade** | Os achados representam a realidade dos participantes? | Member checking (validar com participantes), triangulação de métodos |
+| **Transferibilidade** | Os achados são aplicáveis a outros contextos? | Descrição densa do contexto, limites explícitos |
+| **Dependabilidade** | O processo seria replicável? | Audit trail: documentar todas as decisões metodológicas |
+| **Confirmabilidade** | Achados baseados nos dados, não nos bias do pesquisador? | Reflexividade: pesquisador declara suas perspectivas prévias |
+
+## Anti-Padrões em Pesquisa Qualitativa
+
+| Anti-Padrão | Problema | Correção |
+|-------------|----------|----------|
+| "N=5 entrevistas provam que..." | Qualitativo não prova, explora | "Sugere que...", "indica que..." |
+| Confirmar hipótese com exemplos seletivos | Cherry picking qualitativo | Apresentar evidência dissonante também |
+| Citar quote sem contexto | Distorce significado | Incluir contexto da citação sempre |
+| "Todos disseram que..." | Raramente todos dizem | "A maioria", "vários", com n explícito |
+| Misturar descoberta e interpretação | Obscurece o que é dado vs análise | Separar seções "O que observamos" e "O que interpretamos" |
+
+---
+
+*Knowledge base da squad-research*

package/squads/squad-research/knowledge-base/quantitative-research-methods.md

@@ -0,0 +1,208 @@
+# Quantitative Research Methods
+
+> Métodos quantitativos avançados para pesquisa de mercado, validação de hipóteses e análise estatística. Complementa survey-design-principles.md com ferramentas analíticas.
+
+## Fundamentos de Inferência Estatística
+
+### Os Três Pilares
+
+**1. Tamanho de Amostra (n)**
+Determina o poder do teste — a capacidade de detectar um efeito real se ele existir.
+
+```
+Fórmula básica (proporções, 95% confiança, 5% margem de erro):
+n = (Z² × p × (1-p)) / e²
+n = (1.96² × 0.5 × 0.5) / 0.05²
+n ≈ 384 respondentes
+```
+
+Para detectar efeito menor (ex: diferença de 3 pontos percentuais entre variantes):
+- Margem de erro 3% → n ≈ 1,067
+- Margem de erro 1% → n ≈ 9,604
+
+**2. Nível de Confiança (α)**
+- 95% confiança → p-value < 0.05 (padrão acadêmico e de negócios)
+- 99% confiança → p-value < 0.01 (decisões críticas, saúde)
+- 90% confiança → p-value < 0.10 (pesquisa exploratória, quando poder é limitado)
+
+**3. Effect Size**
+Magnitude do efeito, independente de significância estatística:
+- Cohen's d (médias): 0.2 = pequeno, 0.5 = médio, 0.8 = grande
+- r (correlação): 0.1 = pequeno, 0.3 = médio, 0.5 = grande
+
+**Armadilha:** Um resultado pode ser estatisticamente significativo mas praticamente irrelevante (ex: diferença de 0.1% em conversão com n=1M).
+
+## A/B Testing: Protocolo Rigoroso
+
+### Design Pré-Teste (Obrigatório)
+
+1. **Definir hipótese:** "Esperamos que [variante B] aumente [métrica] em X% porque [mecanismo]"
+2. **Calcular n:** Usar power calculadora antes de iniciar (ex: Optimizely Stats Engine, statsig.com)
+3. **Definir primary metric:** Uma métrica principal por experimento
+4. **Definir guardrail metrics:** Métricas que NÃO devem degradar (ex: latência, NPS)
+5. **Definir duration:** Mínimo 1-2 ciclos de negócio completos (geralmente 2 semanas)
+6. **Definir critério de sucesso:** "Aprovar B se primary metric +X% com p<0.05 E guardrails intactos"
+
+### Execução
+
+| Fase | O Que Fazer | O Que NÃO Fazer |
+|------|-------------|-----------------|
+| **Início** | Verificar randomização, baseline estável | Começar em datas atípicas (Black Friday, feriados) |
+| **Durante** | Monitorar guardrails e vieses de implementação | Parar cedo por "já parece positivo" (p-hacking) |
+| **Análise** | Analisar conforme critério pré-definido | Analisar sub-grupos não planejados sem correção |
+| **Decisão** | Documentar resultado completo, mesmo negativo | Fazer "test after test" até resultado positivo |
+
+### Problemas Comuns e Correções
+
+**Novelty Effect:** Usuários engajam mais com qualquer mudança por ser nova.
+- Solução: Rodar teste por 2+ semanas, focar em cohort de usuários retornantes
+
+**Interaction Effects:** Múltiplos experimentos rodando simultaneamente interferem.
+- Solução: Segregar tráfego por experiment ID; limitar overlapping experiments
+
+**Multiple Testing Problem:** Testar 20 métricas e encontrar 1 com p<0.05 é esperado por acaso.
+- Solução: Bonferroni correction (dividir α pelo número de testes) ou familywise correction
+
+**Simpson's Paradox:** Resultado agregado inverte direção quando segmentado.
+- Solução: Sempre verificar resultados por segmentos-chave (mobile/desktop, new/returning)
+
+## Análise de Regressão em Research
+
+### Regressão Linear
+Para entender QUAIS fatores explicam uma variável contínua:
+```
+Y = β₀ + β₁X₁ + β₂X₂ + ... + βₙXₙ + ε
+```
+- **Coeficiente β:** Quanto Y muda para cada unidade de X, mantendo outros fatores constantes
+- **R²:** Percentual da variação de Y explicado pelo modelo (0-1)
+- **p-value por variável:** Essa variável tem relação real com Y ou é ruído?
+
+**Exemplo:** Qual combinação de variáveis explica o Churn rate?
+Y = churn | X₁ = NPS | X₂ = uso_mensal | X₃ = tempo_de_contrato | X₄ = plano
+
+### Regressão Logística
+Para variáveis dependentes binárias (converteu / não converteu):
+- Output: Probabilidade de converter dado os inputs
+- Coefficients como odds ratios: OR > 1 = aumenta probabilidade, OR < 1 = diminui
+- **Uso:** Modelagem de churn, propensão de compra, scoring de leads
+
+### Correlação vs Causalidade
+
+| Tipo | Interpretação | Limitação |
+|------|--------------|-----------|
+| Correlação (r) | Duas variáveis variam juntas | Não implica causa |
+| Regressão | X prediz Y controlando outros fatores | Correlação sofisticada |
+| Causalidade (RCT/IV/DiD) | X causa Y | Requer design experimental ou quasi-experimental |
+
+**Framework para causalidade quando RCT não é possível:**
+- **Difference-in-Differences (DiD):** Comparar grupos que foram/não foram afetados por uma mudança antes/depois
+- **Instrumental Variables (IV):** Usar variável que afeta X mas não Y diretamente
+- **Regression Discontinuity (RD):** Explorar corte arbitrário de elegibilidade para tratamento
+
+## Análise de Cohort
+
+### O Que É
+Acompanhar grupos de usuários definidos por momento de aquisição ao longo do tempo.
+
+### Tipos de Cohort
+
+**Acquisition cohort:** Usuários que chegaram no mesmo período
+- Pergunta: "Usuários que chegaram em Jan/25 são diferentes de usuários de Jun/25?"
+- Output: Tabela onde cada linha = cohort, cada coluna = período (D1, D7, D30...)
+
+**Behavioral cohort:** Usuários que fizeram mesma ação
+- Pergunta: "Usuários que completaram onboarding retêm mais?"
+- Output: Comparação de curvas de retenção
+
+### Métricas de Cohort
+
+| Métrica | Definição | Benchmark SaaS |
+|---------|-----------|---------------|
+| **D1 Retention** | % que retornou no dia 1 | 25-40% (B2C) |
+| **D7 Retention** | % que retornou na semana 1 | 10-20% |
+| **D30 Retention** | % que retornou no mês 1 | 5-10% |
+| **Month 6 Retention** | % ativo após 6 meses | >30% = excelente |
+| **CAC Payback** | Meses para recuperar custo de aquisição | <12 meses |
+| **LTV/CAC** | Valor de vida / custo de aquisição | >3:1 |
+
+### Curvas de Retenção
+
+**Curva de "balde furado":** Declínio contínuo — produto sem valor diferencial
+**Curva "flat tail":** Declina depois estabiliza — há um núcleo que acha valor
+**Curva "smile":** Cai, depois aumenta — usuários voltam com maturidade
+**Objetivo:** Elevar o "floor" — a % que estabiliza após queda inicial
+
+## Análise Estatística para Market Research
+
+### Segmentação Estatística
+
+**Cluster Analysis:** Agrupar respondentes por similaridade sem grupos pré-definidos
+- K-Means: Para variáveis contínuas, número de clusters definido
+- Hierarchical: Dendrograma mostra hierarquia de similaridade
+- **Output:** N segmentos distintos com perfis
+
+**Factor Analysis / PCA:** Reduzir muitas variáveis em poucos fatores
+- Útil quando há 20+ atributos em survey — reduz para 3-5 dimensões latentes
+- **Uso:** Perceptual mapping, segmentação por valores
+
+**Conjoint Analysis:** Medir trade-offs e prioridades implícitas
+- Participantes escolhem entre alternativas com atributos variados
+- **Output:** Utility values por atributo — quanto cada característica importa
+- **Uso:** Pricing research, priorização de features, posicionamento
+
+### NPS: Uso Correto e Armadilhas
+
+**Cálculo:** %Promotores (9-10) - %Detratores (0-6)
+**Benchmarks Brasil 2025 (variam por setor):**
+- Tech/SaaS: 30-50 (excelente >60)
+- E-commerce: 20-40
+- Serviços financeiros: 20-35
+- Telecom: Geralmente negativo a -10
+
+**Armadilhas:**
+- Não usar NPS como única métrica de saúde
+- NPS varia muito por canal de coleta (in-app > email)
+- Comparar NPS entre empresas só tem sentido com metodologia idêntica
+- Transactional NPS (pós-interação) ≠ Relationship NPS (percepção geral)
+
+**Complementar com:** Pontuação de esforço do cliente (CES), frequência de uso, health score comportamental
+
+### Análise de Significância Estatística em Research de Mercado
+
+**Quando duas proporções diferem significativamente?**
+```
+Z = (p₁ - p₂) / sqrt(p_pool × (1 - p_pool) × (1/n₁ + 1/n₂))
+```
+Se |Z| > 1.96 → diferença significativa a 95% de confiança.
+
+**Ferramentas:** Calculadora online (surveymonkey.com/mp/margin-of-error-calculator), Python scipy.stats, R
+
+## Análise de Dados Secundários
+
+### Técnicas para Extrair Valor de Dados Públicos
+
+**Index Construction:** Criar índice composto de múltiplas variáveis públicas
+- Ex: Índice de Maturidade Digital = ponderação de penetração de internet + smartphone + e-commerce + FinTech por estado IBGE
+
+**Proxy Variables:** Quando dado direto não existe, usar proxy correlacionado
+- Ex: LinkedIn job postings de "Data Scientist" como proxy de adoção de analytics
+- Domínios de email criados como proxy de criação de empresas tech
+
+**Synthetic Data Analysis:** Combinar datasets de fontes diferentes para criar visão que nenhuma sozinha teria
+- Requer: Mesma unidade de análise (empresa, estado, faixa etária)
+- Atenção: Não assumir que correlação em datasets distintos implica relação real
+
+### Análise de Séries Temporais
+
+Para identificar tendências e sazonalidade em dados históricos:
+
+| Componente | O Que É | Como Isoltar |
+|-----------|---------|-------------|
+| **Tendência** | Direção de longo prazo | Moving average, regressão sobre tempo |
+| **Sazonalidade** | Padrão repetitivo (mensal/anual) | STL decomposition |
+| **Ciclo** | Flutuações de médio prazo (economia) | Hodrick-Prescott filter |
+| **Ruído** | Variação aleatória residual | Componente após decomposição |
+
+---
+
+*Knowledge base da squad-research*

package/squads/squad-research/knowledge-base/research-depth-pyramid.md

@@ -0,0 +1,66 @@
+# Research Depth Pyramid
+
+## Core Concept
+O Research Depth Pyramid define 4 niveis de profundidade de pesquisa, cada um com parametros claros de tempo, fontes, rigor e output esperado.
+
+## Os 4 Niveis
+
+### Level 1: SCAN (Rapid Orientation)
+- **Tempo:** 15-30 minutos
+- **Fontes:** 2-3 fontes (Tier 3-5 aceitavel)
+- **Rigor:** Baixo — overview rapido, sem triangulacao obrigatoria
+- **Output:** 1 paragrafo de summary + 3-5 bullet points
+- **Quando usar:** Perguntas rapidas, triagem inicial, contexto basico
+- **Exemplos:** "O que e este mercado?", "Quem sao os principais players?"
+
+### Level 2: ANALYZE (Structured Analysis)
+- **Tempo:** 1-3 horas
+- **Fontes:** 5-8 fontes (minimo Tier 3)
+- **Rigor:** Medio — triangulacao de 2 fontes por claim principal
+- **Output:** 2-5 paginas com findings estruturados
+- **Quando usar:** Decisoes taticas, input para planejamento
+- **Exemplos:** "Qual o tamanho deste segmento?", "Como o competidor X se posiciona?"
+
+### Level 3: DEEP DIVE (Comprehensive Research)
+- **Tempo:** 4-8 horas
+- **Fontes:** 10-15 fontes (minimo Tier 2, ideal Tier 1)
+- **Rigor:** Alto — triangulacao de 3+ fontes, pattern recognition, insight crystallization
+- **Output:** 10-20 paginas com analise profunda, frameworks aplicados
+- **Quando usar:** Decisoes estrategicas, entry em novo mercado, investimentos significativos
+- **Exemplos:** "Devemos entrar neste mercado?", "Qual nossa estrategia competitiva?"
+
+### Level 4: DEFINITIVE (Exhaustive/Publication-Grade)
+- **Tempo:** Multi-dia (3-10 dias uteis)
+- **Fontes:** 20+ fontes (incluindo Tier 1 — dados primarios)
+- **Rigor:** Maximo — todas as claims trianguladas, metodologia documentada, peer review
+- **Output:** 30+ paginas, report completo com appendices
+- **Quando usar:** Decisoes de board, investidores, M&A, new market entry
+- **Exemplos:** "Due diligence completa", "Market landscape para Series B pitch"
+
+## Decision Matrix: Que Nivel Usar?
+
+| Criterio | SCAN | ANALYZE | DEEP DIVE | DEFINITIVE |
+|----------|:----:|:-------:|:---------:|:----------:|
+| Decisao em risco | <$10K | $10-100K | $100K-1M | >$1M |
+| Reversibilidade | Facilmente reversivel | Reversivel com custo | Dificil reverter | Irreversivel |
+| Audiencia | Eu mesmo/time | Gerente/diretor | C-level | Board/investidores |
+| Urgencia | Hoje | Esta semana | Este mes | Este quarter |
+| Precedente | Existe similar | Parcialmente novo | Novo territorio | Sem precedente |
+
+## Escalation Triggers (Quando Ir Mais Fundo)
+- Dados conflitantes entre fontes → subir 1 level
+- Stakeholder questiona confidence → subir 1 level
+- Decisao fica mais cara que estimado → subir 1 level
+- Encontrou padrao inesperado → subir para investigar
+- Client/board vai ver → minimo DEEP DIVE
+
+## Cost-Benefit
+- SCAN: Barato e rapido, mas pode errar
+- ANALYZE: Bom custo-beneficio para maioria dos casos
+- DEEP DIVE: Investimento significativo, alta confianca
+- DEFINITIVE: Caro, mas necessario para decisoes criticas
+- **Regra de ouro:** Custo da pesquisa < 1% do valor da decisao
+
+---
+
+*Knowledge base da squad-research*