sinapse-ai 9.3.0 → 9.4.0

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

@@ -0,0 +1,194 @@
+# Community Research Methods
+
+> Extraído e sintetizado de MS-010 Forum & Community Platform Engineering (2026) — análise de Reddit, Discord, Stack Overflow, Discourse e outras plataformas com dados de 2025-2026.
+
+## Fundamentos Teóricos
+
+### Barabási-Albert Model (Redes Scale-Free)
+Redes sociais reais não são aleatórias — seguem power-law degree distributions onde poucos nós (hubs) têm vastamente mais conexões que a maioria.
+
+**Dois mecanismos:**
+1. **Growth:** Redes adicionam continuamente novos nós
+2. **Preferential attachment:** Novos nós preferem conectar a nós já bem conectados ("rich-get-richer")
+
+**Distribuição:** P(k) ~ k^(-gamma), tipicamente gamma entre 2 e 3.
+
+**Aplicação em research:** Identifique os hubs de uma comunidade/mercado — eles movem informação e opinião de forma desproporcional. Em análise competitiva, os "subreddits hub" são pontes entre clusters de usuários.
+
+### Granovetter: Força dos Laços Fracos (1973)
+Paradoxo fundamental: **laços fracos (conhecidos) são mais valiosos que laços fortes (amigos íntimos)** para difusão de informação.
+
+**Por quê:** Laços fortes clusters dentro de grupos densos onde todos compartilham a mesma informação. Laços fracos fazem ponte entre clusters, permitindo que informação nova flua.
+
+**Duas hipóteses centrais:**
+1. Laços fortes se concentram em grupos densamente conectados
+2. Grupos são conectados por laços fracos esparsos — vitais para difusão
+
+**Aplicação em research:** Para entender como uma ideia/tendência se propaga, mapeie os laços fracos (bridges entre comunidades), não apenas os laços fortes (influenciadores dentro de uma comunidade).
+
+## Network Effects: Taxonomia para Pesquisa
+
+| Tipo | Definição | Exemplo para Pesquisa |
+|------|-----------|----------------------|
+| **Direct** | Mais usuários = mais valor para todos | Mais usuários de uma plataforma = mais dados para análise |
+| **Indirect** | Mais usuários atraem bens complementares | Mais usuários = mais criadores de conteúdo a monitorar |
+| **Cross-side** | Grupo A beneficia Grupo B | Mais compradores = mais vendedores a estudar |
+| **Same-side** | Grupo beneficia a si mesmo | Mais respondentes = pesquisa mais representativa |
+| **Data** | Mais uso = algoritmos melhores | Mais buscas = melhores insights de intenção |
+| **Local** | Network effects dentro de sub-clusters | Comunidade de nicho tem mais relevância que plataforma geral |
+
+## Leis Matemáticas de Redes
+
+### Metcalfe's Law
+**V = n²** (onde V = valor da rede, n = usuários)
+
+- Facebook: revenue ao longo de uma década seguiu curva n-squared
+- Implicação para research: uma plataforma com 2x os usuários tem potencialmente 4x o valor como fonte de dados/insights
+- **Limitação:** Assume todas as conexões igualmente valiosas — raramente verdade
+
+### Reed's Law
+**V = 2^n** (redes que formam grupos)
+
+- Plataformas que suportam grupos (Discord servers, Facebook Groups, Slack) capturam mais valor
+- Função como limite teórico superior — nunca observado completamente na prática
+- **Implicação para research:** Plataformas com sub-comunidades têm mais pontos de pesquisa que plataformas com conexões apenas diáticas
+
+### Andrew Chen's Death Spiral
+Network effects funcionam em ambas as direções. Se usuários saem, a rede perde valor → mais usuários saem → aceleração do declínio.
+
+**Implicação para research:** Monitorar saúde de comunidades é crítico. Métricas de saída antecipam declínio antes que seja evidente nos dados de crescimento.
+
+## Social Graph Analysis em Prática
+
+### Modelos de Grafo por Plataforma
+
+| Plataforma | Modelo de Grafo | Característica-Chave |
+|------------|----------------|---------------------|
+| Reddit | Bipartite (usuários ↔ subreddits) | Routing de conteúdo por assinatura |
+| Discord | Hierárquico (servers → categories → channels) | Controle de acesso por role |
+| Stack Overflow | Tripartite (usuários ↔ perguntas ↔ tags) | Clustering de expertise por tag |
+| LinkedIn | Degrees of connection (1st, 2nd, 3rd) | Alcance profissional por grau |
+| Twitter/X | Directed (follow) + Undirected (mentions) | Influência assimétrica |
+
+### Algoritmos de Detecção de Comunidade
+- **Louvain Method:** Detecta clusters por maximização de modularidade — bom para comunidades grandes
+- **Label Propagation:** Rápido e escalável — cada nó adota label mais comum de seus vizinhos
+- **Girvan-Newman:** Remove arestas de maior betweenness progressivamente — revela hierarquia de comunidades
+
+### Métricas de Grafo para Research
+
+| Métrica | O Que Indica | Uso em Research |
+|---------|-------------|-----------------|
+| **Degree Centrality** | Quantas conexões diretas um nó tem | Identificar influenciadores/hubs |
+| **Betweenness Centrality** | Quantas vezes um nó está no caminho entre outros | Identificar brokers de informação |
+| **Closeness Centrality** | Distância média para todos os outros nós | Identificar nós com acesso rápido à rede |
+| **PageRank** | Importância considerando quem aponta para o nó | Ranquear influência em redes direcionadas |
+| **Clustering Coefficient** | Quão conectados estão os vizinhos de um nó | Detectar echo chambers |
+
+## Algoritmos de Ranking de Conteúdo em Comunidades
+
+### Reddit Hot Algorithm
+```
+hot_score = log10(max(|score|, 1)) * sign(score) + (timestamp / 45000)
+```
+- Score = upvotes - downvotes
+- **Propriedades:** Scaling logarítmico de votos; tempo nunca decresce; half-life de 12.5 horas
+- **Para research:** Os primeiros votos têm impacto desproporcional — posts virais não são necessariamente os melhores
+
+### Hacker News Gravity Algorithm
+```
+score = (P - 1) / (T + 2)^G
+```
+- P = pontos, T = horas desde submissão, G = gravity (default 1.8)
+- **Propriedades:** Decaimento ativo ao longo do tempo; tunable gravity
+- **Para research:** Conteúdo técnico/nicho tem vida mais longa que HN do que em Reddit
+
+### Wilson Score Interval (Stack Overflow Best Sort)
+Ranqueia pelo limite inferior do intervalo de confiança para aprovação real:
+- Corrige para amostras pequenas: 5 upvotes/0 downvotes pode superar 100 upvotes/40 downvotes
+- **Para research:** Melhor proxy de "qualidade real" que simples contagem de votos
+
+## Métodos de Pesquisa de Comunidade
+
+### Digital Ethnography
+Observação sistemática de comunidades online:
+1. **Lurking phase:** 2-4 semanas observando sem intervir — entender normas, gírias, hierarquias
+2. **Mapping phase:** Identificar key contributors, hubs, tipos de conteúdo, horários de pico
+3. **Analysis phase:** Classificar interações, tensões, padrões emergentes
+4. **Validation phase:** Confirmar interpretações com membros da comunidade (se aplicável)
+
+### Netnografia (Kozinets 2002, atualizado 2020)
+Adaptação da etnografia para ambientes digitais:
+- Imersão cultural (participar genuinamente)
+- Coleta de dados naturais (não interferir no comportamento)
+- Interpretação cultural (entender significado, não apenas frequência)
+- **Diferencial:** Captura como comunidades criam significado, não apenas o que dizem
+
+### Community Health Monitoring
+Métricas para monitorar saúde de uma comunidade ao longo do tempo:
+
+| Métrica | Sinal Saudável | Sinal de Alerta |
+|---------|---------------|-----------------|
+| DAU/MAU ratio | >15% | <5% |
+| D1 retention | >40% | <20% |
+| D7 retention | >25% | <10% |
+| Post/member ratio | Crescendo | Declinando 3+ semanas |
+| Response rate | >60% de posts respondidos | <30% |
+| Moderator actions | Estável | Crescente aceleradamente |
+
+## Trust e Reputação em Comunidades
+
+### Discourse Trust Levels (Gold Standard)
+
+| Level | Nome | Como Ganho | Privilégios-Chave |
+|-------|------|-----------|-------------------|
+| TL0 | New | Default | Ações básicas |
+| TL1 | Basic | Ler tópicos, tempo no site | PMs, flags |
+| TL2 | Member | Participação ativa (semanas) | Convites, wiki posts |
+| TL3 | Regular | Participação sustentada (meses) | Recategorizar, mover tópicos; auto-revogado se cair |
+| TL4 | Leader | Concedido por admins | Poderes totais de moderação |
+
+**Insight para research:** Trust levels são o melhor proxy para qualidade de contributor. Análise de TL3+ revela comunidade "real" de especialistas.
+
+### Stack Overflow Reputation-Privilege Model
+- +10 por upvote em resposta; +15 por accepted answer
+- Cap de 200 rep/dia (previne grinding)
+- Privilégios progressivos: 15 rep → upvote; 125 rep → downvote; 2,000 → editar qualquer post
+
+**Insight para research:** Reputação de 1,000+ indica expertise genuína. Padrões de upvote revelam consenso técnico da comunidade.
+
+## Fontes de Dados para Community Research
+
+### APIs Oficiais
+- **Reddit API:** Free tier limitado (100 req/min); dados históricos via Pushshift (parcialmente disponível)
+- **Stack Exchange API:** API pública, 10,000 req/dia sem auth
+- **Discord:** Apenas próprios servers via bot
+- **GitHub API:** Issues, discussions, contribution graphs
+
+### Ferramentas de Análise
+| Ferramenta | Foco | Gratuito? |
+|-----------|------|-----------|
+| Brandwatch | Social listening enterprise | Não |
+| Pulsar | Audience intelligence | Não |
+| SparkToro | Audience research (onde passam tempo) | Parcialmente |
+| Followerwonk | Twitter/X análise | Parcialmente |
+| Social Blade | YouTube/Twitch stats | Sim |
+
+### Dados Estruturados Públicos
+- **Reddit:** Subreddit stats via third-party (Subreddit Stats, Redditmetis)
+- **Stack Overflow:** Data Explorer (SEDE) — queries SQL completas em dados públicos
+- **GitHub:** Trending repositories, dependency graphs públicos
+
+## Armadilhas em Community Research
+
+| Armadilha | Descrição | Mitigação |
+|-----------|-----------|-----------|
+| Vocal minority | 1% cria conteúdo, 9% reage, 90% lurka | Complementar com surveys representativos |
+| Platform sample bias | Comunidade Reddit ≠ mercado geral | Triangular com dados offline/outros canais |
+| Survivorship | Só vê comunidades ativas, não as que morreram | Incluir análise de comunidades fracassadas |
+| Gaming detection | Bots, coordenação artificial, astroturfing | Verificar padrões de criação de conta, timing de posts |
+| Temporal drift | Normas de comunidades mudam rapidamente | Análise longitudinal, não snapshots únicos |
+
+---
+
+*Knowledge base da squad-research | Fonte: MS-010 Forum & Community Platform Engineering*

package/squads/squad-research/knowledge-base/mixed-methods-research-design.md

@@ -0,0 +1,168 @@
+# Mixed Methods Research Design
+
+> Framework para combinar métodos qualitativos e quantitativos em pesquisas integradas. Maximiza validade e riqueza de insights.
+
+## Por Que Mixed Methods
+
+Nenhum método é superior — são complementares:
+
+| Qualitativo | Quantitativo |
+|-------------|--------------|
+| Responde "por que?" e "como?" | Responde "quantos?" e "com que frequência?" |
+| Profundidade de compreensão | Generalização para população |
+| Hipóteses emergentes | Teste de hipóteses |
+| Significado e contexto | Prevalência e magnitude |
+| N pequeno, riqueza alta | N grande, profundidade limitada |
+
+**Mixed Methods:** Usa ambos de forma integrada, com design que maximiza a contribuição de cada um.
+
+## Os 4 Designs Principais
+
+### Design 1: Exploratório Sequencial (QUAL → QUAN)
+
+```
+Pesquisa Qualitativa
+    → Gerar hipóteses e dimensões
+    → Construir survey/instrumento quantitativo
+        → Validar em escala
+            → Quantificar e generalizar
+```
+
+**Quando usar:** Campo pouco estudado, não há framework ou instrumento validado.
+
+**Exemplo:** Entrevistas com 15 early adopters → identificar 5 dimensões de valor → survey com 500 usuários para medir importância de cada dimensão.
+
+**Timing:** Qualitativo antes de decidir o que medir quantitativamente.
+
+### Design 2: Explanatório Sequencial (QUAN → QUAL)
+
+```
+Pesquisa Quantitativa (survey, analytics)
+    → Identificar padrões, segmentos ou outliers
+        → Pesquisa Qualitativa com casos específicos
+            → Explicar os mecanismos por trás dos números
+```
+
+**Quando usar:** Dados quantitativos geraram resultado surpreendente ou segmento interessante que precisa de explicação.
+
+**Exemplo:** Análise de cohort identifica que usuários de segunda-feira retêm 40% mais → entrevistas com usuários de segunda-feira para entender por quê.
+
+**Timing:** Quantitativo guia a amostragem qualitativa.
+
+### Design 3: Convergente (Paralelo)
+
+```
+Pesquisa Qualitativa  +  Pesquisa Quantitativa
+        (simultâneas, independentes)
+                ↓               ↓
+            Resultados      Resultados
+                    ↓
+               Triangulação
+                    ↓
+          Integração e Interpretação
+```
+
+**Quando usar:** Quer comparar perspectivas de profundidade com dados de escala.
+
+**Exemplo:** Entrevistas com 20 clientes + survey com 400 clientes executados em paralelo → comparar temas emergentes vs. métricas de satisfação.
+
+**Força:** Achados que convergem = maior confiança. Divergências = campo fértil para investigação.
+
+### Design 4: Transformativo/Embedded
+
+```
+Pesquisa Principal (QUAN ou QUAL)
+    Embutida: pesquisa secundária do outro tipo em fase específica
+```
+
+**Quando usar:** Uma abordagem é claramente dominante mas precisa de complementação em fase específica.
+
+**Exemplo:** RCT (principal quantitativo) com entrevistas qualitativas embutidas na fase de análise de processo.
+
+## Triangulação: Como Executar
+
+Triangulação é o processo de convergir múltiplas fontes de evidência para validar achados.
+
+### Tipos de Triangulação
+
+| Tipo | O Que É | Exemplo |
+|------|---------|---------|
+| **Metodológica** | Mesmo fenômeno, métodos diferentes | Entrevista + survey + analytics |
+| **Fontes** | Mesma metodologia, fontes diferentes | Clientes + não-clientes + churned |
+| **Analista** | Mesmo material, analistas diferentes | 2 pessoas codificam as mesmas entrevistas |
+| **Teórica** | Interpretar dados com frameworks diferentes | Grounded theory + JTBD + HMW |
+
+### Protocolo de Triangulação
+
+1. Completar análise de cada fonte/método **independentemente**
+2. Documentar achados de cada fonte **antes** de comparar
+3. Mapear: Onde convergem? Onde divergem?
+4. Interpretação:
+   - **Convergência:** Alta confiança — múltiplas janelas para mesma realidade
+   - **Divergência:** Investigar — pode indicar facetas diferentes ou viés em uma fonte
+   - **Complementaridade:** Fontes diferentes iluminam aspectos diferentes — integrar
+
+## Integration Points: Onde Conectar Qual-Quan
+
+| Momento | Decisão de Integração | Exemplo |
+|---------|----------------------|---------|
+| **Design** | Como o qualitativo informa o instrumento quantitativo? | Dimensões de entrevista → perguntas de survey |
+| **Amostragem** | Como o quantitativo seleciona casos para qualitativo? | Segmentos extremos para deep-dive |
+| **Análise** | Como dados são analisados em conjunto? | Joint Display tables |
+| **Interpretação** | Como os achados são discutidos integradamente? | Quando convergem/divergem: o que isso significa? |
+
+## Joint Display: Ferramenta de Integração Visual
+
+Matriz que coloca achados qualitativos e quantitativos lado a lado para comparação:
+
+| Tema/Segmento | Achado Qualitativo | Achado Quantitativo | Convergência? |
+|--------------|-------------------|--------------------:|:-------------:|
+| Friction no onboarding | "Não entendi o primeiro passo" (8/15 participantes) | Taxa de completion: 34% | Convergente |
+| Valor percebido | "Economizo 3h por semana" (maioria) | NPS: 72 | Convergente |
+| Feature X | "Nunca usei, não sei para quê serve" (6/15) | Usage: 8% dos usuários | Convergente |
+| Suporte | "Atendimento excelente" (4/15) | CSAT suporte: 58 | Divergente → investigar |
+
+## Research Design Matrix: Selecionando o Design
+
+| Pergunta de Research | Design Recomendado | Razão |
+|---------------------|-------------------|-------|
+| "Por que churnam?" | Explanatório seq. (QUAN→QUAL) | Dados de churn guiam entrevistas |
+| "O que valorizamos em produto novo?" | Exploratório seq. (QUAL→QUAN) | Não há dimensões pré-definidas |
+| "Nossas personas refletem realidade?" | Convergente | Validar modelo existente |
+| "Qual mensagem funciona melhor?" | QUAN principal (A/B) + QUAL embutido | A/B mede resultado, qual explica mecanismo |
+| "Como usuários experienciam X?" | QUAL dominante | Questão de significado, não de frequência |
+| "Qual o tamanho do problema Y?" | QUAN dominante | Questão de prevalência |
+
+## Rigor em Mixed Methods
+
+### Qualidade Específica do Design Misto
+
+| Critério | Definição | Como Demonstrar |
+|----------|-----------|-----------------|
+| **Legitimação** | Os insights integrados são mais robustos que cada método isolado? | Mostrar convergência/complementaridade explícita |
+| **Completude** | A integração aborda a questão de research melhor que um método único? | Documentar o que cada método contribuiu |
+| **Fidelidade** | Cada método foi executado com rigor próprio? | Critérios de cada método respeitados |
+| **Transformação** | A combinação gerou insights que nenhum método geraria sozinho? | Destacar insights que emergiram só da integração |
+
+## Template de Report Mixed Methods
+
+```
+## Métodos
+### Design: [Tipo de mixed methods design]
+### Fase 1 ([Qual/Quan]): [Descrição breve, n, ferramentas]
+### Fase 2 ([Qual/Quan]): [Descrição breve, n, ferramentas]
+### Integração: [Como os resultados foram combinados]
+
+## Resultados
+### Achados [Qual/Quan]: [Resultados de cada fase separadamente]
+### Integração: [Joint Display ou narrativa integrando os dois]
+
+## Interpretação Integrada
+### Convergências: [O que ambos os métodos confirmam]
+### Divergências: [Onde diferem e o que isso indica]
+### Insights emergentes da integração: [O que só foi possível ver ao combinar]
+```
+
+---
+
+*Knowledge base da squad-research*

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*