sinapse-ai 9.2.0 → 9.3.0

package/squads/squad-paidmedia/knowledge-base/tiktok-linkedin-ads-playbook.md

@@ -0,0 +1,213 @@
+# TikTok Ads & LinkedIn Ads Playbook
+
+> Fonte: MS-005 Paid Traffic Research (2026-04-07)
+
+---
+
+## TikTok Ads
+
+### Estrutura de Campanhas
+
+```
+Campaign (Objetivo + Budget)
+  └── Ad Group (Audiencia + Placement + Schedule + Bid)
+       └── Ad (Criativo + CTA + URL)
+```
+
+**Objetivos disponíveis:**
+- Reach, Video Views, Traffic, App Installs, Lead Generation, Website Conversions, Catalog Sales
+- Smart Performance Campaign (totalmente automatizado — equivalente ao ASC da Meta)
+
+### Formatos de Anuncio
+
+| Formato | Specs | Melhor Para |
+|---------|-------|------------|
+| **In-Feed Ads** | 9:16 vertical, 9-60s | Feed FYP, nativo |
+| **Spark Ads** | Boost de post orgânico | UGC, creator content |
+| **TopView** | 60s, full-screen, sound-on | Awareness massivo, lancamentos |
+| **Branded Hashtag Challenge** | Tab Discover | Viralidade, engajamento |
+| **Branded Effects** | Filtros customizados, 10 dias | Brand activation |
+| **Catalog Ads (Dynamic Showcase)** | Feed de produtos | Retargeting e-commerce |
+
+**Regra de ouro TikTok:** "Don't make ads, make TikToks." Conteúdo que parece nativo supera conteúdo polished em CTR e CVR consistentemente.
+
+**Spark Ads vs In-Feed:**
+- Spark Ads tem CTR ~25% maior que In-Feed padrão
+- Mantém engajamento orgânico no post original (likes, comentários ficam)
+- Usuário vê o post no perfil do criador — autenticidade percebida
+- Ideal para: UGC, creator content com licença aprovada
+
+**TopView:**
+- CPM premium: BRL 80-200 no Brasil
+- Completion rate alto (sound-on, full-screen)
+- Reserva antecipada obrigatória para datas especiais
+
+### TikTok Creative Center
+
+Ferramenta gratuita essencial (creative-center.tiktok.com):
+
+| Feature | O Que Faz | Como Usar |
+|---------|-----------|-----------|
+| **Top Ads Dashboard** | Ads de melhor performance por país/industria | Benchmark e inspiração |
+| **Trend Discovery** | Hashtags, músicas, criadores em trending | Surfar trends antes do pico |
+| **Audio Library** | Músicas licenciadas para ads | Escolher trending sounds |
+| **Creative Templates** | Templates editáveis para ads rápidos | Produção ágil |
+| **AI Script Generator** | Scripts baseados em prompts | Iteração de hooks |
+| **Smart Creative** | Variantes automáticas de criativos | DCO nativo |
+
+### Audience Signals e Targeting
+
+| Tipo | Detalhes |
+|------|---------|
+| **Demographics** | Idade, gênero, localização, idioma |
+| **Interests** | Categorias de conteúdo consumido |
+| **Behaviors** | Interações com conteúdo (curtidas, shares, follows) |
+| **Creator Interactions** | Usuários que interagiram com tipos específicos de criadores |
+| **Custom Audiences** | Website traffic, customer list, app activity, engagement |
+| **Lookalike** | Baseado em custom audiences, 1-10% |
+| **Smart Targeting** | Broad + ML (equivalente ao Advantage+ da Meta) |
+
+**Best practice:** Começar com targeting mais amplo (Smart Targeting) e deixar o algoritmo encontrar o público. A FYP já é altamente personalizada — o TikTok sabe o que cada usuário gosta.
+
+### AIGC Compliance (2025-2026)
+
+**Regra obrigatória:** Todo conteúdo gerado por AI (AIGC) deve ser sinalizado via toggle in-app.
+- Risco: rejeição instantânea do anúncio sem sinalização
+- Ads políticos permanecem proibidos
+- Verificar re-aprovação de targeting após mudança de propriedade (joint venture Oracle/Silver Lake/MGX)
+
+### TikTok Ads — Interest Graph Advantage
+
+O TikTok usa **interest graph** (o que você assiste) vs **social graph** (quem você segue). Para anunciantes:
+- Audiências menores de nicho podem ser alcançadas com custo menor que Meta
+- Conteúdo de qualquer conta pode viralizar — criadores novos têm mesmo alcance potencial
+- A FYP distribui ads nativos com eficiência excepcional para audiências engajadas
+
+### CPMs Brasil TikTok
+
+| Formato | CPM Médio (BRL) |
+|---------|----------------|
+| In-Feed | R$8-25 |
+| TopView | R$80-200+ |
+| Branded Hashtag Challenge | Setup fee alto (R$750K+) |
+
+---
+
+## LinkedIn Ads
+
+### Por Que LinkedIn para B2B
+
+LinkedIn é a única plataforma com targeting baseado em dados profissionais verificados. CPM 3-5x mais caro que Meta/TikTok — mas qualidade de lead incomparável para B2B.
+
+| Métrica | LinkedIn | Meta |
+|---------|---------|------|
+| CPM médio BR | R$40-120 | R$15-40 |
+| CPC médio | USD 5-15 | USD 0.50-2.00 |
+| CPL médio B2B | USD 50-200+ | USD 15-80 |
+| Qualidade do lead | Alta (cargo verificado) | Variável |
+
+**Justificativa:** Um lead de decisor C-level pode valer dezenas de milhares de reais. O custo maior por lead é justificado.
+
+### Targeting B2B Unico
+
+| Critério | Detalhes |
+|----------|---------|
+| **Job Title** | Cargo exato (CEO, CFO, Head of Marketing) |
+| **Job Function** | Área funcional (Marketing, Finance, Engineering) |
+| **Seniority** | Nível hierárquico (Entry, Senior, Manager, Director, VP, C-suite) |
+| **Company Name** | Empresa específica (Itaú, Nubank, TOTVS) |
+| **Company Size** | Número de funcionários (1-10 até 10001+) |
+| **Industry** | Setor (Technology, Finance, Healthcare) |
+| **Skills** | Habilidades listadas no perfil |
+| **Groups** | Membros de grupos específicos |
+| **Company Revenue** | Faturamento (alguns mercados) |
+
+**Audiência mínima:** 50K+ membros para otimização adequada do algoritmo.
+
+### Account-Based Marketing (ABM)
+
+ABM é targetar empresas específicas. LinkedIn é a melhor plataforma para ABM digital.
+
+**Matched Audiences para ABM:**
+1. **Company List Upload:** Lista de empresas-alvo (até 300K empresas)
+2. **Contact Targeting:** Upload de emails de contatos (match rate ~30-50%)
+3. **Website Retargeting:** Insight Tag para retargeting de visitantes
+4. **Engagement Retargeting:** Usuários que interagiram com anúncios ou company page
+
+**Estratégia ABM em 3 Níveis:**
+
+| Nível | Audiência | Objetivo | Formato |
+|-------|-----------|----------|---------|
+| **1:1** | Top 10-50 accounts | Awareness + Meeting | InMail personalizado |
+| **1:Few** | Clusters de 50-200 | Educação + Engagement | Sponsored Content + Thought Leadership |
+| **1:Many** | 200-1000+ accounts | Awareness + Demand Gen | Display + Video + Lead Gen Forms |
+
+### Formatos de Anuncio
+
+**Sponsored Content:**
+- Posts patrocinados no feed
+- Formatos: single image, video, carousel, document, event
+- Melhor formato para awareness e engagement
+- Videos: curtos (<30s) com legendas (autoplay silencioso)
+
+**Sponsored Messaging:**
+- InMail: mensagem direta na inbox do LinkedIn
+- Taxa de abertura ~50% (vs ~20% email)
+- Limite: 1 InMail por membro a cada 45 dias
+- Message Ads e Conversation Ads (chatbot-style)
+
+**Lead Gen Forms:**
+- Formulários pré-preenchidos com dados do perfil
+- Sem landing page — conversão direto no LinkedIn
+- CVR tipicamente 2-5x maior que landing page externa
+- Limitação: leads podem ter menor intent
+
+**Text Ads:**
+- Sidebar, CPM muito baixo (USD 3-5)
+- CTR <0.05% mas bom para ABM awareness constante
+
+**Dynamic Ads:**
+- Personalizados com foto e nome do usuário
+- Spotlight Ads, Follower Ads, Content Ads
+- Forte para follower acquisition
+
+**Thought Leadership Ads (2024):**
+- Boostar posts pessoais de executivos
+- CTR 2-3x maior que posts de company page
+- Humaniza a marca — alto impacto em consideração
+
+### LinkedIn Insight Tag
+
+Tag JavaScript para rastreamento de:
+- Visitantes do site (segmentos para retargeting)
+- Conversões (leads, downloads, compras)
+- Demographics insights (cargo, empresa, setor dos visitantes)
+
+**Implementação:** Uma linha de código, similar ao Meta Pixel. Essencial para qualquer estratégia LinkedIn.
+
+### Best Practices LinkedIn
+
+1. **Audiência mínima:** 50K+ membros por campanha
+2. **Frequência ideal:** 4-6 impressões por membro/mês
+3. **Creative refresh:** A cada 4-6 semanas (ad fatigue mais lenta)
+4. **Budget mínimo:** USD 50/dia por campanha recomendado
+5. **Thought leadership:** Boostar posts pessoais de executivos (CTR 2-3x maior)
+6. **Document ads:** PDFs interativos para conteúdo educativo
+7. **UTMs detalhados:** Sempre incluir utm_source=linkedin, utm_medium=paid-social
+8. **LinkedIn Insight Tag:** Instalado ANTES de criar campanhas
+
+### Modelo de Atribuição LinkedIn
+
+O LinkedIn tem janela de atribuição própria. Comparar com GA4 (attribution model diferente):
+- Click-through: 30 dias
+- View-through: 7 dias
+- Lead Gen Forms: atribuição nativa (sem depender de pixel)
+
+### Benchmark CPM Brasil LinkedIn
+
+| Formato | CPM Médio (BRL) |
+|---------|----------------|
+| Sponsored Content | R$40-120 |
+| Text Ads | R$15-30 |
+| Dynamic Ads | R$30-60 |
+| InMail | CPM por send (R$0.80-1.50/send) |

package/squads/squad-product/knowledge-base/customer-success-integration.md

@@ -0,0 +1,242 @@
+# Customer Success Integration
+
+## Purpose
+Framework de integracao entre produto e Customer Success — health scoring, churn prediction, expansion revenue, QBR e NPS. Produto e CS sao parceiros estrategicos, nao departamentos separados.
+
+## A Logica Financeira do CS
+
+Em modelos de receita recorrente (SaaS, subscription), CS e estrategia de receita, nao custo:
+
+- Adquirir novo cliente: 5-25x mais caro que reter existente (Bain & Company)
+- Aumento de 5% em retention pode aumentar lucro em 25-95%
+- NRR > 100% significa crescimento mesmo com zero novos clientes
+- O produto que os clientes mais usam e o produto que mais retêm
+
+**Consequencia para produto:** Cada decisao de produto deve considerar impacto no retention e expansion. Feature que adquire mas nao retêm e ineficiente.
+
+## Net Revenue Retention (NRR) — A Metrica Definitiva
+
+```
+NRR = (MRR Inicio + Expansion - Contraction - Churn) / MRR Inicio × 100
+```
+
+| NRR | Qualidade | Exemplos |
+|-----|-----------|----------|
+| >130% | World-class | Datadog (~130%), Twilio historico |
+| 120-130% | Excelente | Snowflake (~125%), MongoDB (~120%) |
+| 110-120% | Bom | Maioria dos SaaS saudaveis |
+| 100-110% | OK, precisa melhorar | Crescimento depende de novos clientes |
+| <100% | Problematico — "leaky bucket" | Perdendo receita existente |
+
+**NRR decomposicao:**
+```
+NRR = Logo Retention × Revenue per Customer Growth
+```
+- Se muitos clientes saem mas os que ficam expandem → NRR pode parecer OK mas e fragil
+- NRR saudavel = alta logo retention + expansion de clientes satisfeitos
+
+## Health Score — Prever Churn Antes que Aconteca
+
+Health Score combina sinais quantitativos e qualitativos para indicar risco de churn. Produto deve instrumentar os sinais corretamente.
+
+### Componentes Tipicos
+
+| Sinal | Peso Sugerido | Como Medir | Responsavel |
+|-------|--------------|-----------|-------------|
+| Product Usage | 30% | DAU/MAU, feature adoption, login frequency | Produto |
+| Support Tickets | 15% | Volume, severidade, tempo de resolucao | CS + Suporte |
+| NPS/CSAT | 15% | Score de satisfacao | CS |
+| Engagement com CS | 15% | Respostas a emails, participacao em QBRs | CS |
+| Billing Health | 10% | Pagamentos em dia, downgrades | Financeiro |
+| Champion Status | 15% | Champion ativo, engajado, crescendo na empresa | CS |
+
+### Bandas de Health Score
+
+```
+GREEN  (80-100): Saudavel — candidato a expansion e referral
+YELLOW (50-79):  Atencao — intervencao proativa necessaria antes que piore
+RED    (0-49):   Risco alto — escalar imediatamente, executive involvement
+```
+
+### Sinais de Alerta Precoce (Leading Indicators de Churn)
+
+- Login frequency caiu >30% MoM
+- Champion saiu da empresa
+- Support tickets criticos abertos >7 dias sem resolucao
+- Nao responde emails do CSM ha >2 semanas
+- Nao participou da ultima QBR
+- Downgrade request ou reducao de seats
+- Competidor mencionado em calls (capturar via Gong ou notas de CS)
+- Pagamento atrasado
+
+**Para produto:** Instrumentar eventos de "health" no produto — login drops, feature abandonment, e invitations declined sao todos sinais que o produto pode monitorar e alertar ao CS.
+
+## Expansion Revenue — Upsell & Cross-Sell
+
+**Upsell** — Mais do mesmo: mais seats, tier superior, features premium
+**Cross-sell** — Produtos complementares: modulo adicional, servico, integracoes
+
+### Playbook de Expansion por Trigger
+
+| Trigger | Momento | Acao | Owner |
+|---------|---------|------|-------|
+| Uso atinge 80% do limite | Automatico via produto | In-app nudge + CSM outreach | Produto + CS |
+| QBR mostra ROI forte | Trimestral | CSM propoe expansion na QBR | CS |
+| Cliente levanta rodada de investimento | Event-based | Outreach proativo de expansion | CS + AE |
+| Champion promovido | Event-based | Re-engage com novo escopo | CS |
+| Renovacao: 90 dias antes | Time-based | Proposta de upgrade com incentivo | CS + AE |
+| Power user atinge N acoes | Behavioral | PQL alert para CS | Produto → CS |
+
+### PQL para Expansion (Product-Qualified Lead)
+
+Usuarios que demonstram intencao de expansao atraves de comportamento:
+
+```
+Sinais de PQL de Expansion:
++ Convidou X novos membros (proximity ao limite de seats)
++ Acessou pagina de pricing de upgrade
++ Usou feature premium (disponivel em tier superior) durante trial ou preview
++ Exportou dados em volume alto (sinal de valor real do produto)
++ Admin activity crescente (sinalizando adocao organizacional)
+
+Score de PQL de Expansion:
+  > 70: Alert para CSM — oportunidade quente
+  50-70: Monitorar, preparar proposta de valor
+  < 50: Nurture com conteudo de feature discovery
+```
+
+## QBR — Quarterly Business Review
+
+A QBR e o ritual mais importante da relacao CS-Cliente para demonstrar valor e identificar expansion.
+
+### Agenda Recomendada (60-90 minutos)
+
+**Revisao de Valor (20 min)**
+- Metricas de ROI do trimestre
+- Comparacao com baseline e goals acordados
+- Feature adoption e health score
+- "No ultimo trimestre, voces economizaram X horas / aumentaram Y em Z"
+
+**Challenges & Feedback (15 min)**
+- Frustrações, problemas nao resolvidos
+- Voice of Customer — o que o roadmap nao esta endereçando
+- Competidores mencionados? Por que?
+
+**Roadmap Preview (15 min)**
+- Features proximas relevantes para o cliente
+- Perguntar: "Quais dessas mudancas mais impactam sua operacao?"
+
+**Plano de Acao — Proximo Trimestre (20 min)**
+- Goals conjuntos para o proximo periodo
+- Oportunidades de expansion identificadas
+- Proximos passos e responsaveis de cada lado
+
+### Regras de QBR Eficaz
+
+- **Trazer dados, nao opinioes** — ROI, adoption rates, tickets resolvidos
+- **Convidar stakeholders de nivel sênior** dos dois lados, nao so operacional
+- **Red flag:** Se o cliente nao aparece na QBR → health está em risco
+- **Seguir com follow-up escrito em 24h** com resumo das decisoes e proximos passos
+- **Nunca usar QBR apenas para upsell** — deve entregar valor real antes de pedir expansao
+
+## NPS — Net Promoter Score
+
+```
+NPS = % Promoters (9-10) - % Detractors (0-6)
+
+Classificacao:
+  Promoters (9-10): Advogam pelo produto ativamente
+  Passives (7-8): Satisfeitos mas sem entusiasmo
+  Detractors (0-6): Insatisfeitos, podem gerar churn e negative WOM
+
+Benchmarks SaaS:
+  < 0:   Preocupante — mais detratores que promotores
+  0-30:  OK
+  30-50: Bom
+  50-70: Excelente
+  > 70:  World-class (Slack historicamente 70+, Apple 72+)
+```
+
+### NPS Closing the Loop
+
+O valor real do NPS esta em **agir sobre o feedback**, nao em medir:
+
+| Score | Acao | Timeline |
+|-------|------|----------|
+| 9-10 (Promoter) | Thank, ask for referral, case study, LinkedIn review | 48h |
+| 7-8 (Passive) | Ask what would make it 9-10, address gap | 1 semana |
+| 0-6 (Detractor) | CSM reach out pessoal, entender problema, recovery plan | 24h — urgente |
+
+**Para produto:** NPS por feature/area identifica onde o produto esta falhando. Segmentar por plano, cohort e comportamento revela padroes acionaveis.
+
+## Churn Analysis — Modelos e Tipos
+
+### Tipos de Churn
+
+| Tipo | Definicao | Como Enderecar |
+|------|-----------|---------------|
+| **Voluntary** | Usuario decidiu sair (insatisfacao, alternativa) | Discovery da causa raiz — produto ou CS |
+| **Involuntary** | Falha de pagamento, cartao expirado | Dunning management — emails automaticos |
+| **Logo churn** | Clientes perdidos (headcount) | Health score + proactive CS |
+| **Revenue churn** | Receita perdida — pode ser diferente de logo churn | Focar nos clientes de maior ACV |
+
+### Metodos de Analise
+
+1. **Survival Analysis** — Kaplan-Meier curves: probabilidade de churn ao longo do tempo
+2. **Cohort Analysis** — Retencao por cohort: tendencias estao melhorando ou piorando?
+3. **Behavioral Segmentation** — Que comportamentos precedem churn 30-60-90 dias antes?
+4. **Exit Surveys** — Perguntar diretamente por que o usuario esta saindo (qualitativo)
+5. **Predictive Modeling** — ML para identificar clientes em risco antes do churn acontecer
+
+### Modelo Preditivo de Churn (Features Tipicas)
+
+```
+Features para modelo de ML:
+- Usage patterns (frequencia, profundidade, recencia)
+- Support interactions (volume, severidade, nao-resolucao)
+- NPS trends (piora recente?)
+- Billing history (atrasos, downgrades)
+- Champion activity (login do champion caiu?)
+- Onboarding completion (completou setup inicial?)
+- Competitor activity (mencionado em calls?)
+
+Modelos comuns:
+  Baseline: Logistic regression
+  Intermediario: Random forest
+  Avancado: XGBoost ou LightGBM
+
+Horizon: 30-90 dias de antecedencia (suficiente para intervencao)
+Threshold: alertar CS quando probabilidade > 30% (calibrar para o negocio)
+```
+
+## Integracao Produto + CS — Feedback Loop
+
+O produto precisa consumir sinais de CS e CS precisa consumir dados do produto. O loop nao acontece por acidente:
+
+```
+CS → Produto:
+  - Feature requests de multiplos clientes (padrao = sinal valido)
+  - Razoes de churn (produto vs. processo vs. mercado?)
+  - "Aha moments" nao capturados pelo analytics
+  - Gaps na proposta de valor vs. expectativa do cliente
+
+Produto → CS:
+  - PQL alerts (usuario pronto para expansion)
+  - Health score drops automaticos
+  - Feature adoption data (quais features mais adotadas por quem)
+  - Onboarding completion drops
+  - Novos features lancados que CSMs devem usar em QBRs
+```
+
+**Ritual recomendado:** Monthly Product-CS sync de 45 min — CS traz top 5 feature requests e top 5 churn signals. Produto traz adoption data e roadmap relevante para CS conversations.
+
+## Benchmarks de CS em SaaS
+
+| Metrica | Average SaaS | Excelente | Source |
+|---------|-------------|-----------|--------|
+| Logo Churn (anual) | 5-10% | <5% | OpenView |
+| Revenue Churn (anual) | 5-7% | <3% | KeyBanc |
+| NRR | 100-110% | >120% | KeyBanc SaaS Survey |
+| NPS | 30-40 | >50 | Bain |
+| QBR participation rate | 60-70% | >80% | Gainsight |
+| Time to identify at-risk | >30 days lag | <7 days | Gainsight |

package/squads/squad-product/knowledge-base/experimentation-framework.md

@@ -0,0 +1,196 @@
+# Experimentation Framework
+
+## Purpose
+Framework completo para design, execucao e analise de experimentos em produto — desde hipoteses ate decisoes baseadas em evidencia estatistica.
+
+## Principios de uma Cultura de Experimentacao
+
+1. **Velocidade importa** — Numero de experimentos/tempo correlaciona diretamente com growth
+2. **Maioria falha e normal** — 70-80% dos experimentos nao tem resultado positivo; falha = aprendizado
+3. **Hipotese antes do teste** — Todo experimento precisa de hipotese falsificavel escrita antes
+4. **Dados vencem HiPPO** — HiPPO = Highest Paid Person's Opinion. Evidencia sempre supera opinio
+5. **Guardrails sao obrigatorios** — Todo experimento tem metricas que nao podem degradar
+6. **Aprender > Ganhar** — Experimento que ensina algo sem resultado positivo ainda tem valor
+
+## Template de Hipotese (obrigatorio)
+
+```
+SE [mudanca especifica no produto/experiencia],
+ENTAO [resultado esperado com base em insight],
+PORQUE [logica/mecanismo subjacente].
+
+Mediremos: [metrica primaria]
+Esperamos: [X% de mudanca] em [periodo]
+Guardrails: [metricas que NAO podem degradar — ex: NPS, revenue, error rate]
+Segmentos a analisar: [new users / power users / mobile / etc.]
+```
+
+**Exemplo concreto:**
+```
+SE reduzirmos os campos do formulario de signup de 6 para 3,
+ENTAO a taxa de ativacao aumentara 15%,
+PORQUE menos friccao no ponto critico de entrada reduz abandono.
+
+Mediremos: Activation Rate (% que completa onboarding em D7)
+Esperamos: 15% de aumento relativo em 14 dias de experimento
+Guardrails: Taxa de email valido nao pode cair abaixo de 90%, NPS D30 nao pode cair
+Segmentos: new signups — todos os canais
+```
+
+## Ciclo Completo de Experimentacao
+
+```
+1. Ideacao → gerar hipoteses a partir de dados, entrevistas, analytics
+2. Priorizacao → ICE ou RICE scoring (ver pm-frameworks-reference.md)
+3. Design → definir variantes, metricas primarias, guardrails, sample size
+4. Implementacao → feature flags, tracking events, QA
+5. Execucao → rodar ate significancia estatistica (sem peeking!)
+6. Analise → avaliar resultados + segmentar por cohort, device, plan
+7. Decisao → Ship / Iterate / Kill
+8. Documentacao → registrar hipotese, resultado, aprendizado no repositorio
+```
+
+## Estatistica para A/B Testing
+
+### Frequentist vs. Bayesian
+
+| Aspecto | Frequentist | Bayesian |
+|---------|-------------|----------|
+| Pergunta | "Qual a prob de ver esses dados se H0 e verdadeira?" | "Qual a prob de A ser melhor que B?" |
+| Resultado | p-value + intervalo de confianca | Probabilidade posterior |
+| Sample size | Fixo (calculado antes) | Pode parar cedo |
+| Interpretacao | Tecnica (mal interpretada frequentemente) | Intuitiva ("90% chance de A ser melhor") |
+| Peeking | Proibido — infla falsos positivos | Permitido com cuidado |
+| Ferramentas | VWO, Growthbook | Optimizely STATS Engine, Statsig |
+
+**Recomendacao:** Para times iniciantes, abordagem Bayesian e mais segura por ser mais intuitiva. Para times maduros com volume, frequentist rigoroso ou Bayesian sequencial.
+
+### Parametros Fundamentais
+
+```
+Alpha (α) = 0.05 → 5% de chance de falso positivo (padrao da industria)
+Power (1-β) = 0.80 → 80% de chance de detectar efeito real (minimo aceitavel)
+MDE = Minimum Detectable Effect → menor efeito que vale detectar
+
+Regra pratica: quanto menor o MDE, mais amostra voce precisa
+```
+
+### Formula de Sample Size
+
+```
+n = (Zα/2 + Zβ)² × 2 × p × (1-p) / d²
+
+onde:
+p = taxa de conversao baseline (controle)
+d = MDE em termos absolutos (ex: 0.02 para 2pp de aumento)
+Zα/2 = 1.96 (para α = 0.05, two-tailed)
+Zβ = 0.84 (para power = 0.80)
+
+Exemplo:
+p = 0.05 (5% de conversao baseline)
+MDE = 20% relativo → d = 0.01 (5% × 20% = 1pp)
+n ≈ 7.680 usuarios por variante
+```
+
+**Calculadoras gratuitas:** Evan Miller A/B Test Calculator, Optimizely Sample Size Calculator
+
+### Erros Comuns
+
+| Erro | Consequencia | Como Evitar |
+|------|-------------|-------------|
+| Peeking (olhar antes do fim) | Infla falsos positivos | Definir duração antes de rodar |
+| Parar cedo quando positivo | Falso positivo | Rodar ate sample size calculado |
+| Testar multiplas metricas sem correcao | Aumenta chance de falso positivo | Bonferroni: α_adj = 0.05 / n_tests |
+| Segmentos pos-hoc sem ajuste | Findings espurios | Pre-registrar segmentos de interesse |
+| Novidade Effect (Hawthorne) | Resultado nao sustentavel | Rodar experimento 2+ semanas |
+| Sample Ratio Mismatch (SRM) | Invalida experimento | Verificar distribuicao 50/50 apos inicio |
+
+## Multi-Armed Bandit (MAB)
+
+Alternativa ao A/B teste classico que otimiza durante o experimento. Aloca trafego progressivamente para a variante com melhor performance.
+
+**Quando usar MAB:**
+- Otimizacoes continuas (ex: qual subject line de email funciona melhor)
+- Contextos onde o "regret" (perda durante teste) e caro
+- Experimentos de curto prazo sem necessidade de inferencia causal rigorosa
+
+**Quando NAO usar MAB:**
+- Quando precisa de conclusao estatistica precisa sobre magnitude de efeito
+- Quando o experimento tem implicacoes causais importantes
+- Quando ha sazonalidade (MAB pode convergir em variante por razoes de timing)
+
+**Algoritmos:**
+- **Epsilon-greedy:** Explora X% do trafego, explota (1-X)%
+- **UCB (Upper Confidence Bound):** Balanceia incerteza e performance historica
+- **Thompson Sampling:** Amostra de distribuicao posterior (Bayesian — recomendado)
+
+## Ferramentas de Experimentacao
+
+| Ferramenta | Tipo | Diferencial | Quando usar |
+|-----------|------|-------------|-------------|
+| **Statsig** | Full-stack | Feature flags + experiments + analytics | Times de tech com infra propria |
+| **Optimizely** | Enterprise | STATS Engine (Bayesian sequencial) | Enterprise com budget |
+| **PostHog** | Open-source | Flags + experiments + session replay | Startups, self-hosted |
+| **Growthbook** | Open-source | Bayesian, warehouse-native | Times que usam BigQuery/Snowflake |
+| **LaunchDarkly** | Feature flags | Feature management primeiro | Times que precisam de flag mgmt robusto |
+| **VWO** | CRO-focused | Visual editor, heatmaps | Times nao-tecnico, CRO de site |
+| **AB Tasty** | Enterprise | Forte no Brasil e Europa | Times Brasil com budget medio |
+
+## Experimentation Velocity — Metricas
+
+| Metrica | Definicao | Benchmark |
+|---------|-----------|-----------|
+| Tests/month | Experimentos iniciados | >10 para times maduros |
+| Time to launch | Ideia → lancamento do experimento | < 1 semana (ideal) |
+| Win rate | % de testes com resultado positivo | 15-30% (normal) |
+| Test coverage | % de features/pages com tests ativos | >50% para lideres |
+| Cycle time | Duracao media de um experimento | 2-4 semanas |
+
+## Repositorio de Experimentos — Template
+
+Cada experimento deve ser documentado com:
+
+```yaml
+experiment_id: EXP-{numero}
+name: "Nome descritivo"
+hypothesis: "SE... ENTAO... PORQUE..."
+primary_metric: ""
+guardrail_metrics: []
+start_date: ""
+end_date: ""
+sample_size_per_variant: 0
+actual_sample: 0
+result:
+  control: ""
+  variant: ""
+  lift: ""
+  p_value: ""
+  confidence: ""
+decision: "ship | iterate | kill"
+learnings: |
+  O que aprendemos independente do resultado
+next_steps: ""
+```
+
+## Anti-Patterns de Experimentacao
+
+| Anti-Pattern | Por que e problema |
+|-------------|-------------------|
+| "Sabemos que vai funcionar, e so confirmar" | Confirmation bias — experimentos devem poder falsificar hipoteses |
+| Rodar experimento por 2 dias | Nao capta sazonalidade semanal, amostra insuficiente |
+| 10 metricas primarias | Aumenta chance de falso positivo — 1 metrica primaria por experimento |
+| Rodar em 5% do trafego "para ser seguro" | Demora muito para alcancar significancia — calcule sample size corretamente |
+| Nao documentar hipotese antes | Permite racionalizacao post-hoc de qualquer resultado |
+| Esconder resultados negativos | Cria cultura de fear of failure — compartilhe aprendizados de falhas |
+
+## Integracao com Discovery
+
+Experimentos fecham o loop do Continuous Discovery:
+```
+Interview → Identify Opportunity → OST Mapping
+→ Assumption Mapping → Design Experiment
+→ Run Experiment → Validate/Invalidate Assumption
+→ Ship ou pivot → Next Interview Cycle
+```
+
+Ver `discovery-methodology-playbook.md` para a conexao com OST.