sinapse-ai 9.2.0 → 9.4.0

package/squads/squad-growth/knowledge-base/unit-economics-ltv-cac.md

@@ -0,0 +1,253 @@
+# Knowledge Base: Unit Economics — LTV, CAC & Growth Finance
+
+> Fonte: Bessemer Venture Partners benchmarks, SaaStr, Lenny Rachitsky, OpenView Partners
+
+## Por que Unit Economics Importa para Growth
+
+Unit economics e a analise da rentabilidade de cada unidade de negocio (tipicamente, um cliente). Growth sem unit economics saudavel e crescimento insustentavel — a empresa perde dinheiro a cada cliente adquirido e escalar piora o problema.
+
+**Regra fundamental:** LTV/CAC >= 3:1 para growth sustentavel. Payback < 12 meses para SaaS.
+
+---
+
+## Metricas Fundamentais
+
+### CAC — Customer Acquisition Cost
+
+```
+CAC = Total gasto em aquisicao (marketing + sales) / Numero de novos clientes
+
+CAC Blended = Inclui todos os canais (organico + pago + sales)
+CAC Paid = Apenas canais pagos
+CAC por canal = Gasto no canal / Clientes adquiridos pelo canal
+```
+
+**O que incluir no calculo de CAC:**
+- Gasto em ads (Google, Meta, LinkedIn, etc.)
+- Salarios de marketing e sales
+- Software de marketing (HubSpot, Salesforce, etc.)
+- Eventos, conferencias, PR
+- Overhead de times de aquisicao
+
+**CAC benchmarks (SaaS, 2025 — Bessemer/OpenView):**
+| Segmento | CAC tipico | Payback tipico |
+|----------|-----------|----------------|
+| SMB (ACV < $5K) | $200–$500 | 6–12 meses |
+| Mid-Market (ACV $5K–$50K) | $2K–$10K | 12–24 meses |
+| Enterprise (ACV > $50K) | $20K–$100K+ | 18–36 meses |
+| PLG (self-serve) | $50–$200 | 3–6 meses |
+
+---
+
+### LTV — Lifetime Value
+
+```
+LTV = ARPU × Gross Margin × (1 / Monthly Churn Rate)
+
+ou para calculos mais precisos:
+LTV = ARPU × Gross Margin × Average Customer Lifetime
+
+onde:
+Average Customer Lifetime = 1 / Annual Churn Rate (em anos)
+```
+
+**Variantes do LTV:**
+| Variante | Formula | Quando usar |
+|----------|---------|-------------|
+| **Simple LTV** | ARPU / Churn Rate | Estimativa rapida |
+| **Gross Margin LTV** | (ARPU × Gross Margin) / Churn | Inclui margem — mais preciso |
+| **LTV com expansion** | Inclui upsell/cross-sell projetado | Para negocio com NRR > 100% |
+| **Predictive LTV** | ML sobre dados historicos de cohort | Mais preciso, requer dados |
+| **BG/NBD Model** | Modelo probabilistico (Peter Fader) | E-commerce nao subscricao |
+
+**Exemplo de calculo:**
+```
+ARPU = R$500/mes
+Gross Margin = 75%
+Monthly Churn = 2%
+
+LTV = R$500 × 0.75 / 0.02 = R$18.750
+CAC = R$2.000
+LTV/CAC = 9.4 (excelente)
+Payback = R$2.000 / (R$500 × 0.75) = 5.3 meses
+```
+
+---
+
+### LTV/CAC Ratio
+
+```
+LTV/CAC Ratio = LTV / CAC
+
+Benchmarks:
+  < 1:1    = Destroi valor (perde dinheiro a cada cliente)
+  1:1 – 3:1 = Sustentavel mas tight (pouca margem)
+  >= 3:1   = Saudavel (regra de ouro de SaaS)
+  >= 5:1   = Potencial de crescimento acelerado
+```
+
+**Interpretacao por fase da empresa:**
+| Fase | LTV/CAC ideal | Contexto |
+|------|--------------|----------|
+| Seed | 1:1–2:1 aceitavel | Ainda aprendendo o canal |
+| Serie A | >= 2:1 | Precisa mostrar caminho para 3:1 |
+| Serie B+ | >= 3:1 | Esperado para levantamento |
+| Growth maduro | >= 5:1 | Pode pisar no acelerador |
+
+---
+
+### Payback Period
+
+```
+Payback Period = CAC / (ARPU × Gross Margin)
+
+Em meses. Meta: < 12 meses para SaaS (< 6 meses para PLG self-serve)
+```
+
+**Por que payback importa:**
+- Empresas com payback curto precisam de menos capital para crescer
+- Payback > 24 meses requer muito capital externo para escalar
+- Em mercados capitais apertados (2023-2025), payback < 12 meses e exigido por investidores
+
+---
+
+### MRR/ARR e Crescimento
+
+```
+MRR = Monthly Recurring Revenue
+ARR = Annual Recurring Revenue = MRR × 12
+
+MRR = New MRR + Expansion MRR - Churned MRR - Contracted MRR
+
+MRR Growth Rate = (MRR atual - MRR periodo anterior) / MRR periodo anterior × 100
+```
+
+**Benchmarks de crescimento ARR (SaaS — Bessemer Cloud Index):**
+| ARR Stage | Target YoY Growth |
+|-----------|------------------|
+| $1M–$5M ARR | >200% |
+| $5M–$20M ARR | >100% |
+| $20M–$50M ARR | >75% |
+| $50M–$100M ARR | >50% |
+| $100M+ ARR | >30% |
+
+---
+
+## Net Revenue Retention (NRR) — A Metrica Mais Poderosa
+
+```
+NRR = (MRR inicio do periodo - Churn MRR - Contraction MRR + Expansion MRR) / MRR inicio × 100
+
+NRR > 100% = Crescimento mesmo sem adquirir novos clientes
+```
+
+**Por que NRR > 100% e o Santo Graal:**
+Uma empresa com NRR de 120% e churn de 0 cresceria 20% ao ano apenas com clientes existentes. Isso significa que sales pode focar em crescimento incremental, nao so em reposicao de churn.
+
+**Decomposicao do NRR:**
+```
+NRR = GRR + Expansion Rate - 100%
+
+GRR (Gross Revenue Retention) = 1 - Revenue Churn Rate
+Expansion Rate = Expansion MRR / MRR inicio
+```
+
+**Benchmarks NRR (Bessemer, 2025):**
+| Tier | NRR |
+|------|-----|
+| World-class | > 130% |
+| Excelente | 120%–130% |
+| Bom | 100%–120% |
+| Aceitavel (SMB) | 90%–100% |
+| Sinal de alerta | < 90% |
+
+---
+
+## Rule of 40
+
+Metrica de eficiencia para SaaS que balanceia crescimento e rentabilidade.
+
+```
+Rule of 40 = Revenue Growth Rate (%) + EBITDA Margin (%)
+
+>= 40 = Saudavel
+>= 60 = Excelente
+>= 80 = Excepcional (Stripe, Snowflake pre-IPO)
+```
+
+**Interpretacao:** Uma empresa pode escolher entre crescer mais e ter margens menores, ou crescer menos e ter margens maiores. A Rule of 40 permite comparar empresas com estrategias diferentes.
+
+**Armadilha:** Crescer 100% com -60% EBITDA = 40. Mas uma empresa com -60% EBITDA esta destruindo caixa — a sustentabilidade importa.
+
+---
+
+## Cohort Analysis para CAC/LTV
+
+Calcular LTV por cohort de aquisicao revela quais canais e periodos geraram os melhores clientes.
+
+```sql
+-- LTV historico por canal de aquisicao
+SELECT
+  u.acquisition_channel,
+  DATE_TRUNC('month', u.created_at) AS cohort_month,
+  COUNT(DISTINCT u.id) AS users,
+  SUM(p.amount) / COUNT(DISTINCT u.id) AS ltv_per_user,
+  SUM(p.amount) / NULLIF(SUM(u.acquisition_cost), 0) AS ltv_cac_ratio
+FROM users u
+LEFT JOIN payments p ON u.id = p.user_id
+GROUP BY 1, 2
+ORDER BY 1, 2;
+```
+
+**Analise de cohort de LTV revela:**
+- Quais canais trazem clientes com maior LTV
+- Sazonalidade: cohorts de dezembro vs marco
+- Impacto de mudancas de produto na retencao de receita
+- Tendencia: LTV de cohorts recentes vs historicos
+
+---
+
+## Unit Economics por Segmento
+
+Segmentar unit economics por tipo de cliente evita decisoes baseadas em medias que escondem heterogeneidade.
+
+**Segmentacoes recomendadas:**
+1. **Tamanho da empresa** (SMB vs Mid-Market vs Enterprise)
+2. **Vertical/setor** (fintech vs edtech vs ecommerce)
+3. **Canal de aquisicao** (PLG self-serve vs sales vs partner)
+4. **Regiao** (Brasil vs LATAM vs global)
+5. **Plano** (freemium → basic → pro → enterprise)
+
+**Insight chave:** Muitas empresas descobrem que 20% dos clientes geram 80% do LTV. Identificar esse segmento e direcionar CAC para ele e o maior alavancador de unit economics.
+
+---
+
+## Churn Rate Benchmarks (Bessemer/SaaStr — 2025)
+
+| Segmento | Monthly Logo Churn | Annual Logo Churn |
+|----------|-------------------|------------------|
+| Enterprise (>$100K ACV) | <0.5% | <5% |
+| Mid-Market | 0.5%–1.0% | 5%–10% |
+| SMB | 1%–3% | 10%–30% |
+| Consumer subscription | 3%–8% | 30%–70% |
+
+**Regra pratica:** Se churn mensal > 3% em SaaS B2B, nao vale investir pesado em aquisicao — o balde esta furado.
+
+---
+
+## ARPU e Expansao de Receita
+
+```
+ARPU = Receita total / Total de clientes ativos
+
+MoM ARPU change = (ARPU atual - ARPU mes anterior) / ARPU mes anterior × 100
+```
+
+**Estrategias de expansao de ARPU:**
+| Estrategia | Descricao | Exemplo |
+|-----------|-----------|---------|
+| **Upsell** | Upgrade para plano superior | Basic → Pro → Enterprise |
+| **Cross-sell** | Vender produto complementar | CRM + Email marketing |
+| **Seat expansion** | Mais usuarios na conta | 5 seats → 20 seats |
+| **Usage expansion** | Mais consumo | API calls, storage, transacoes |
+| **Feature unlock** | Add-ons premium | Advanced analytics, white-label |

package/squads/squad-growth/knowledge-base/viral-referral-mechanics.md

@@ -0,0 +1,159 @@
+# Knowledge Base: Viral & Referral Mechanics
+
+> Fonte: Andrew Chen ("The Cold Start Problem"), Reforge, casos Dropbox/PayPal/Airbnb
+
+## Tipos de Viralidade
+
+Viralidade e quando usuarios existentes trazem novos usuarios como parte natural do uso do produto. Diferente de "marketing boca a boca" (passivo), viralidade engenheirada e um mecanismo sistematico embutido no produto.
+
+| Tipo | Mecanismo | Exemplo |
+|------|-----------|---------|
+| **Inherent viral** | Uso do produto expoe nao-usuarios | Zoom (convidados entram), Calendly |
+| **Collaboration viral** | Colaboracao requer convidar outros | Google Docs, Figma, Slack |
+| **Word-of-mouth viral** | Produto tao bom que usuarios falam sobre | Tesla, Superhuman |
+| **Incentivized viral** | Recompensa por indicacoes | Dropbox (espaco extra), Uber (creditos) |
+| **Social viral** | Compartilhamento gera exposicao | Spotify Wrapped, Canva designs |
+
+---
+
+## K-Factor e Viral Coefficient
+
+```
+K = i × c
+
+i = convites medios enviados por usuario
+c = taxa de conversao dos convites
+
+Tempo de ciclo viral = tempo medio para um novo usuario convidar outros
+```
+
+**Interpretacao:**
+| K-factor | Significado |
+|----------|-------------|
+| K > 1 | Crescimento viral sustentavel (raro e poderoso) |
+| K = 0.5–0.9 | Viralidade amplifica outros canais significativamente |
+| K = 0.1–0.4 | Viralidade contribui mas nao lidera |
+| K < 0.1 | Viralidade insignificante |
+
+**O tempo de ciclo importa tanto quanto o K-factor.** Um K de 0.8 com ciclo de 1 dia e mais poderoso que K de 1.2 com ciclo de 30 dias, porque o compound effect do ciclo rapido domina.
+
+**Formula de crescimento com viralidade:**
+```
+Usuarios(t) = Usuarios(0) × (K^t - 1) / (K - 1)   [se K ≠ 1]
+Usuarios(t) = Usuarios(0) × (1 + K)^t               [aproximacao composta]
+
+Para K = 0.5, 100 usuarios seed, 4 ciclos:
+Ciclo 0: 100
+Ciclo 1: 100 + 50 = 150
+Ciclo 2: 150 + 75 = 225
+Ciclo 3: 225 + 112 = 337
+```
+
+---
+
+## Design de Programas de Referral
+
+### Elementos de um programa de referral eficaz
+
+1. **Incentivo claro** — O que o usuario ganha por indicar
+2. **Double-sided rewards** — Beneficio para quem indica E para quem e indicado
+3. **Friccao minima** — Compartilhar deve ser 1-2 cliques
+4. **Timing certo** — Pedir referral apos "aha moment", nao durante onboarding
+5. **Tracking transparente** — O usuario vê seu progresso e recompensas
+6. **Social proof** — Mostrar quantos amigos ja usam
+
+### Cases classicos com resultados documentados
+
+| Empresa | Mecanismo | Resultado |
+|---------|-----------|-----------|
+| **Dropbox** | 500MB gratis por indicacao (ambos os lados) | 3900% crescimento em 15 meses |
+| **PayPal** | $10 para quem indica + $10 para indicado | Crescimento de 7-10% ao dia no inicio |
+| **Uber** | Credito de corrida para ambos | Motor principal de expansao inicial |
+| **Airbnb** | $25 em credito de viagem | 25% dos novos usuarios via referral em mercados maduros |
+| **Revolut** | Cartao gratuito + features premium | 55% dos novos clientes via referral |
+| **Cash App** | $5 para ambos | 1.5M+ downloads pela campanha referral |
+
+---
+
+## Tipos de Incentivo
+
+| Tipo | Vantagem | Desvantagem | Quando usar |
+|------|----------|-------------|-------------|
+| **Cash/Credit** | Motivacao universal, facil de entender | Custo alto, atrai "deal seekers" | E-commerce, fintech, marketplace |
+| **Product feature** | Alinhado com valor do produto | Pode ser insuficiente | SaaS com features escalaveis |
+| **Status/Recognition** | Custo zero, motivacao intrinseca | Funciona apenas em comunidades | Developer tools, comunidades |
+| **Donation** | Feel-good, alinhamento de valores | Motivacao limitada | Produtos com valores sociais |
+| **Tiered rewards** | Gamificacao, engagement crescente | Complexidade de implementacao | Programas de fidelidade |
+
+### Behavioral Economics aplicado a referral
+
+- **Loss aversion** — "Voce vai perder X" > "Voce pode ganhar X"
+- **Social proof** — "32 dos seus contatos ja usam"
+- **Reciprocity** — "Seu amigo te deu um presente"
+- **Scarcity** — "Oferta limitada de convites" (Superhuman usou isso para criar exclusividade)
+- **Commitment** — Usuario que ja indicou e mais leal ao produto
+
+---
+
+## Virality Engineering — Como Embutir no Produto
+
+### Inherent Virality checklist
+```
+□ O produto requer outras pessoas para funcionar?
+□ O uso natural do produto expoe nao-usuarios?
+□ Convidados recebem valor IMEDIATO ao entrar?
+□ O processo de convite e < 2 cliques?
+□ O loop fecha rapidamente (< 7 dias)?
+```
+
+### Viral Loop Mapping
+
+```
+[Trigger]          → [Acao de share]      → [Landing experience] → [Conversao]
+Usuario satisfeito → Compartilha Spotify  → Ouve playlist        → Cria conta
+                    Wrapped                 compartilhada          Spotify
+```
+
+Para cada produto, mapear:
+1. Quando o usuario esta mais satisfeito? (trigger)
+2. Qual e a acao de share mais natural? (compartilhar, convidar, mencionar)
+3. Qual e a experiencia de quem recebe? (deve ter valor proprio)
+4. O que converte o receptor em novo usuario?
+
+---
+
+## Metricas de Referral
+
+```
+Referral Rate = Usuarios vindos de referral / Total de novos usuarios × 100
+
+K-factor = Convites enviados por usuario × Taxa de conversao dos convites
+
+Viral Cycle Time = Tempo medio para um novo usuario indicar outros
+```
+
+**Benchmarks por tipo de produto (Reforge/Lenny's Newsletter):**
+| Tipo de produto | Referral Rate saudavel | K-factor tipico |
+|-----------------|----------------------|-----------------|
+| Consumer social | >30% | 0.3–0.8 |
+| SaaS B2B | >20% | 0.1–0.4 |
+| E-commerce | >10% | 0.05–0.2 |
+| Fintech | >25% | 0.2–0.6 |
+
+---
+
+## Programas de Referral — Stack Tecnico
+
+| Plataforma | Foco | Quando usar |
+|-----------|------|-------------|
+| **Referral Rock** | SMB, facilidade | Times sem engineering |
+| **Extole** | Enterprise, customizavel | Grandes volumes |
+| **Friendbuy** | E-commerce | Lojas online |
+| **Ambassador** | B2B, afiliados | Programas de parceiros |
+| **ReferralHero** | Self-serve, moderno | Startups |
+| **Custom (interno)** | Controle total | Quando referral e core business |
+
+**Para o contexto brasileiro:**
+- Integrar com WhatsApp (canal #1 de compartilhamento no BR)
+- Permitir compartilhamento via Pix (QR codes, link de pagamento referral)
+- Checkout simplificado com CPF (eliminacao de friccao)

package/squads/squad-paidmedia/knowledge-base/audiences-segmentation-deep.md

@@ -0,0 +1,285 @@
+# Audiences & Segmentation Deep — Paid Media
+
+> Fonte: MS-005 Paid Traffic Research (2026-04-07)
+
+---
+
+## Hierarquia de Audiências Meta (2025-2026)
+
+### A Evolução pós-iOS 14.5
+
+| Época | Abordagem | Status |
+|-------|-----------|--------|
+| Pré-iOS 14.5 | Interest stacking granular, Lookalikes precisos | Obsoleto |
+| Pós-iOS 14.5 | Broad targeting + ML, LALs como semente | Vigente |
+| Advantage+ Era (2024+) | Broad + CAPI + Advantage+ Audiences | Recomendado |
+
+**iOS 14.5 ATT (abril 2021):** ~25% dos usuários iOS optaram por permitir tracking. Impacto:
+- Janela de atribuição reduzida: 28 dias → 7 dias (click), 1 dia (view)
+- Custom audiences menores
+- LALs menos precisas
+- Menos sinais de conversão para ML otimizar
+
+**Contramedidas ativas:**
+1. CAPI para recuperar sinais perdidos
+2. Aggregated Event Measurement (AEM) — máximo 8 eventos por domínio
+3. Conversions API Gateway (Stape.io como alternativa econômica)
+4. Advantage+ para compensar com ML mais agressivo
+5. Value Rules (2025): atribuir mais valor a segmentos high-LTV sem desabilitar Advantage+
+
+---
+
+## Advantage+ Audiences (Meta 2024-2025)
+
+A Meta substituiu targeting manual por sugestões algorítmicas:
+
+**Como funciona:**
+- Você pode dar "suggestions" de interesses/demografias
+- A Meta expande livremente além dessas sugestões
+- Na prática: broad targeting com sinais iniciais
+
+**Value Rules (2025):**
+Permitem influenciar a entrega sem desabilitar Advantage+:
+- Exemplo: atribuir mais valor a compras de ticket alto
+- Exemplo: priorizar faixa etária 25-44 como sugestão
+- Funciona como "hints" para o algoritmo, não como restrições rígidas
+
+**Andromeda (infraestrutura 2025):**
+Novo motor de ad retrieval da Meta que processa maior variedade de criativos simultaneamente. Pode causar volatilidade temporária de CPMs durante fase de adaptação.
+
+---
+
+## Estrutura de Audiências por Temperatura
+
+### Cold Audiences (Prospecting) — 60-70% do Budget
+
+| Audiência | Qualidade | Volume | Quando Usar |
+|----------|---------|--------|------------|
+| **Broad (sem interesses)** | Depende do algoritmo | Máximo | Pixel com 50+ conv/semana |
+| **LAL 1% de purchasers** | Alta | Médio | Melhor seed possível |
+| **LAL 1% de leads qualificados** | Alta | Médio | Segundo melhor seed |
+| **LAL 1-3% de website visitors** | Média | Alto | Mais escala, menos qualidade |
+| **Interest stacking (3-5 temas)** | Variável | Médio | Quando broad não funciona |
+
+**Decisão Broad vs LAL vs Interest:**
+- Pixel maduro (50+ conv/semana): **Broad first**
+- Pixel intermediário (15-50 conv/semana): **LAL 1% first**
+- Pixel novo (<15 conv/semana): **Interest stacking** como warmup
+
+### Warm Audiences (Nurturing) — 20-30% do Budget
+
+| Audiência | Janela | Uso |
+|----------|--------|-----|
+| Website visitors all pages | 30d, 60d, 90d | Retargeting amplo |
+| Instagram/Facebook engagers | 30d, 90d, 180d | Re-engajamento social |
+| Video viewers 25%+ | 90d | Warm de video |
+| Page followers | — | Orgânicos não convertidos |
+| Lead form openers (sem submit) | 90d | Alta intenção, não converteu |
+
+### Hot Audiences (Conversão) — 10-15% do Budget
+
+| Audiência | Janela | Uso |
+|----------|--------|-----|
+| Add to Cart sem Purchase | 7d, 14d | Urgência máxima |
+| Checkout initiation sem Purchase | 7d | Quase converteu |
+| Website visitors página de pricing | 7d, 14d | Alta intenção |
+| Video viewers 75%+ | 30d | Engajamento profundo |
+| Engaged with ads (form openers parciais) | 30d | Semi-qualificados |
+
+### Exclusion Architecture
+
+```
+Cold → exclui Warm + Hot audiences
+Warm → exclui Hot audiences
+Hot → exclui purchasers recentes (se objetivo = new customers)
+Global → exclui employees, existing customers (optional)
+```
+
+---
+
+## Custom Audiences — Fontes e Janelas
+
+| Fonte | Janela | Match Rate | Uso |
+|-------|--------|-----------|-----|
+| **Website visitors (Pixel)** | 1-180 dias | Alta | Retargeting por comportamento |
+| **Customer list (email/phone)** | N/A | ~60-70% | CRM retargeting e LAL seed |
+| **App activity** | 1-180 dias | Alta | Retargeting mobile |
+| **Video viewers** | 3s, 25%, 50%, 75%, 95% | Alta | Funnel de vídeo |
+| **Instagram/Facebook engagers** | 1-365 dias | Alta | Warm audiences |
+| **Lead form openers** | 1-90 dias | Alta | Follow-up de leads |
+
+---
+
+## Lookalike Audiences (LAL)
+
+**Como funcionam:**
+- Baseadas em Custom Audiences como "seed"
+- Tamanhos: 1% (mais similar) a 10% (mais amplo)
+- LAL 1% no Brasil = ~2.1 milhões de pessoas
+
+**Best practices pós-iOS 14.5:**
+- LALs perderam eficácia significativa desde abril 2021
+- A Meta recomenda migrar para Advantage+ Audiences (broad + ML)
+- Se usar LALs: seed de purchasers ou top LTV customers (não apenas visitantes)
+- Seed mínimo: 1.000 pessoas (ideal: 5.000+)
+
+**Seeds por qualidade (melhor → pior):**
+1. LAL de purchasers (melhor seed)
+2. LAL de top LTV customers
+3. LAL de leads qualificados
+4. LAL de leads (geral)
+5. LAL de website visitors
+6. LAL de engagers sociais (pior seed)
+
+---
+
+## CDP (Customer Data Platform)
+
+CDPs unificam dados de múltiplas fontes em perfis únicos:
+
+**O que uma CDP faz:**
+1. **Coleta** dados de todas as fontes (website, app, CRM, email, POS)
+2. **Unifica** identidades (resolve que user123@site = joao@email.com = device_abc)
+3. **Segmenta** em audiences baseadas em comportamento e atributos
+4. **Ativa** essas audiences em destinos (Meta, Google, email, SMS)
+
+**CDPs por perfil:**
+
+| CDP | Foco | Preço | Destaque |
+|-----|------|-------|----------|
+| **Segment** (Twilio) | Dados em tempo real | USD 120+/mês | Developer-friendly, integrações amplas |
+| **RudderStack** | Open-source first | Free tier + USD 500+/mês | Self-hosted, warehouse-native |
+| **mParticle** | Enterprise mobile | Enterprise | Mobile-first, app ecosystem |
+| **Klaviyo** | E-commerce + email | USD 20+/mês | Email + SMS + CDP integrado |
+
+**Menor opção para PME:** Segment com tier gratuito (até 1.000 MTUs/mês)
+
+---
+
+## First-Party Data Strategy
+
+Com third-party cookies limitados (Safari, Firefox) e iOS ATT, first-party data é o ativo mais valioso:
+
+| Fonte | Tipo de Dado | Uso em Paid Media |
+|-------|-------------|-------------------|
+| **Website** | Páginas visitadas, tempo, eventos | Custom Audiences, remarketing |
+| **App** | Comportamento in-app, compras | Custom Audiences, app retargeting |
+| **CRM** | Email, telefone, histórico de compra | Customer Match, LALs |
+| **Email** | Aberturas, cliques, engajamento | Segmentação por engajamento |
+| **POS/Checkout** | Transações, produtos, LTV | High-value LALs |
+| **Formulários** | Leads, interesse declarado | Nurturing audiences |
+| **Chat/Suporte** | Conversas, tickets, satisfação | Segmentação por satisfação |
+
+---
+
+## Retargeting Estratégico por Funil
+
+| Estágio | Audiência | Mensagem | Formato |
+|---------|-----------|----------|---------|
+| **Top (Awareness)** | Video viewers (25%+) | Conteúdo educativo, storytelling | Video ads |
+| **Middle (Consideration)** | Site visitors (sem conversão) | Benefícios, social proof, cases | Carousel, depoimentos |
+| **Bottom (Decision)** | Cart abandoners, form starters | Urgência, desconto, garantia | Dynamic product ads |
+| **Post-Purchase** | Compradores recentes | Upsell, cross-sell, review request | Product recommendations |
+
+### Janelas de Retargeting
+
+| Janela | Uso |
+|--------|-----|
+| 1-3 dias | Cart abandoners (urgência máxima) |
+| 7 dias | Site visitors recentes (alta intenção) |
+| 14-30 dias | Engagers mais frios (awareness refresh) |
+| 60-90 dias | Re-engagement (oferta especial) |
+| 180 dias | Winback (retomar inativos) |
+
+---
+
+## Exclusion Lists — Igualmente Importantes
+
+| Lista de Exclusão | Por Quê |
+|-------------------|---------|
+| Clientes atuais (em prospecting) | Não gastar budget com quem já comprou |
+| Compradores recentes (7-14 dias) | Evitar "buyer's remorse"/sensação de perseguição |
+| Funcionários e equipe interna | Não inflar métricas falsamente |
+| Leads já no pipeline (CRM) | Evitar confusão com vendedores |
+| Usuários que clicaram "hide ad" | Respeitar preferência, proteger brand |
+
+---
+
+## Google Ads — Audience Strategy
+
+### Customer Match (Google)
+
+Upload de lista de emails/phones do CRM:
+- Match rate: ~40-60% (menor que Meta ~60-70%)
+- Usar para: exclusão de customers em prospecting, similar audiences, bid adjustments
+- Requisito: conta com histórico de boa qualidade (política de dados)
+
+### In-Market Audiences
+
+Usuários que estão ativamente pesquisando produtos/serviços similares:
+- Dados de comportamento de busca do Google
+- Melhor targeting para fase de consideração
+- Disponível em Display e YouTube; em Search como bid adjustment
+
+### Affinity Audiences
+
+Interesses de longo prazo (vs in-market que é intenção recente):
+- Categorias amplas: "Amantes de culinária", "Entusiastas de tecnologia"
+- Útil para awareness em Display e YouTube
+
+### Custom Segments (Google)
+
+Combina comportamentos e keywords:
+- Usuários que pesquisaram keywords específicas
+- Usuários que visitaram URLs específicas
+- Combinação de comportamentos online
+- Mais poderoso que affinity/in-market para nichos específicos
+
+### Similar Segments
+
+Equivalente ao LAL da Meta:
+- Baseado em Customer Match ou Website Visitors
+- Google descontinuou Similar Segments para a maioria dos formatos em 2023
+- Performance Max tem funcionalidade equivalente integrada
+
+---
+
+## Predictive Audiences (GA4 + Meta)
+
+### Google Predictive Audiences (GA4)
+
+Disponível quando GA4 tem volume suficiente:
+- "Likely to purchase in next 7 days"
+- "Likely to churn in next 7 days"
+- "Predicted revenue" por usuário
+
+**Requisito:** Volume mínimo de eventos (purchase/transaction) nos últimos 28 dias.
+
+### Meta Advantage+ Audiences + Value Rules
+
+ML determina quem é mais propenso a converter:
+- Funciona especialmente bem com CAPI e dados de conversão ricos
+- Value Rules (2025): influenciar sem restringir — ex. dar mais valor a clientes high-LTV
+
+---
+
+## Segmentação por LTV
+
+**Estratégia de LTV em paid media:**
+
+1. **Identificar segmentos de LTV** no CRM (high, mid, low)
+2. **Criar Custom Audiences** por segmento de LTV
+3. **Criar LALs** a partir do segmento high-LTV (melhor seed)
+4. **Excluir low-LTV** de campanhas de escala
+5. **Usar Value Optimization** (Meta) para otimizar por receita, não conversões
+
+**CAPI com parâmetro `value`:**
+```javascript
+fbq('track', 'Purchase', {
+  value: 299.90,        // Valor real da transação
+  currency: 'BRL',
+  predicted_ltv: 850.00 // LTV estimado (envia para Meta via CAPI)
+});
+```
+
+Meta usa o `predicted_ltv` para otimizar para clientes de maior valor, não apenas mais cliques.