sinapse-ai 9.3.0 → 9.4.0

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-frameworks-encyclopedia.md

@@ -89,6 +89,46 @@
 - **Output:** Framework de categorias limpo e completo
 - **Erros comuns:** Overlap entre categorias, gaps nao identificados
 
+## Frameworks de Redes e Comunidades
+
+### Barabasi-Albert Model (Scale-Free Networks)
+- **Quando usar:** Analisar como influencia e informacao se distribuem em redes sociais e mercados
+- **Como aplicar:** Identificar hubs (nos com muitas conexoes), mapear mecanismo de preferential attachment
+- **Output:** Mapa de influencia + identificacao de hubs estrategicos
+- **Insight-chave:** Poucos nos concentram a maioria das conexoes — atacar/ativar hubs tem ROI desproporcional
+- **Referencia:** Barabasi, "Linked" (2002)
+
+### Granovetter's Weak Ties Theory
+- **Quando usar:** Entender como informacao/inovacao se propaga entre grupos
+- **Como aplicar:** Mapear bridges entre comunidades (lacos fracos) vs. densidade intra-grupo (lacos fortes)
+- **Output:** Mapa de difusao de informacao + identificacao de bridges estrategicos
+- **Insight-chave:** Lacos fracos (conhecidos) difundem informacao nova; lacos fortes a mantêm dentro do grupo
+- **Referencia:** Granovetter, "The Strength of Weak Ties" (1973)
+
+### Network Effects Framework (Metcalfe/Reed/Chen)
+- **Quando usar:** Avaliar moat competitivo de plataformas; dimensionar potencial de crescimento
+- **Como aplicar:** Classificar tipo de network effect → estimar intensidade → avaliar posicao no ciclo
+- **Metcalfe's Law:** V = n^2 (conexoes diáticas)
+- **Reed's Law:** V = 2^n (redes que formam grupos — limite teorico)
+- **Chen's Death Spiral:** Saida de usuarios → rede menos valiosa → mais saidas → colapso
+- **Referencia:** Ver `network-effects-analysis.md` para tratamento completo
+
+## Frameworks de Knowledge Management
+
+### GraphRAG (Microsoft Research)
+- **Quando usar:** Research que requer raciocinio estruturado + cobertura semantica
+- **Como aplicar:** Construir knowledge graph sobre corpus → retrieval hibrido (graph + embeddings)
+- **Output:** Respostas com evidencia estrutural (grafo) + cobertura semantica (vetorial)
+- **Vantagem:** Faithfulness superior ao RAG puro; tracabilidade de evidencias
+- **Referencia:** Ver `knowledge-graph-construction.md` e `hybrid-retrieval-patterns.md`
+
+### Zettelkasten (Luhmann)
+- **Quando usar:** Gerenciar corpus de pesquisa de longo prazo, conectar ideias ao longo do tempo
+- **Como aplicar:** 1 ideia = 1 nota; notas se ligam por relacoes explicitas (nao apenas tags)
+- **Output:** Rede de conhecimento onde insights emergem das conexoes
+- **Insight-chave:** Com 90,000 fichas interconectadas, Luhmann produziu 70 livros e 400 artigos
+- **Referencia:** Ver `knowledge-graph-construction.md`
+
 ---
 
 *Knowledge base da squad-research*

package/squads/squad-research/knowledge-base/research-synthesis-frameworks.md

@@ -0,0 +1,223 @@
+# Research Synthesis Frameworks
+
+> Frameworks para sintetizar múltiplas pesquisas, conectar descobertas cross-domain e transformar dados dispersos em inteligência acionável. Extraído de MS-009 e práticas do squad-research.
+
+## O Problema da Síntese
+
+Pesquisa fragmentada é pesquisa desperdiçada. Quando múltiplos agentes pesquisam em paralelo (wave-based approach), o valor real emerge na síntese:
+
+- Cada fonte diz algo verdadeiro **sobre sua janela**
+- A síntese revela o **padrão que conecta as janelas**
+- O insight cross-domain é sempre mais valioso que achados isolados
+
+**Anti-padrão crítico:** "Colocar relatórios lado a lado e chamar de síntese." Síntese real é transformativa — cria conhecimento que não existia em nenhuma fonte individual.
+
+## Framework 1: Meta-Síntese Qualitativa
+
+Para integrar achados de múltiplas pesquisas qualitativas sobre o mesmo tema.
+
+### Processo
+1. **Levantamento:** Listar todas as pesquisas qualitativas relevantes
+2. **Avaliação:** Avaliar qualidade de cada estudo (rigor metodológico, relevância)
+3. **Extração:** Retirar temas e conceitos-chave de cada pesquisa
+4. **Tradução:** Comparar como cada pesquisa descreve o mesmo fenômeno
+5. **Síntese:** Construir interpretação de ordem superior que integra todos
+
+**Output:** Framework conceitual que explica o fenômeno com base em múltiplas perspectivas
+
+### Template de Extração
+```
+Pesquisa: [Nome/Autor/Ano]
+Tema Central: [O que esta pesquisa está explicando?]
+Conceitos-Chave: [3-5 conceitos centrais com definições]
+Relações: [Como esses conceitos se relacionam]
+Limitações: [O que esta pesquisa NÃO cobre]
+Tensão com outras pesquisas: [Onde contradiz outros estudos?]
+```
+
+## Framework 2: Cross-Domain Connection (Conexão entre Domínios)
+
+Um dos skills mais valiosos em pesquisa avançada: identificar padrões que se repetem em domínios aparentemente não relacionados.
+
+### Protocolo de Cross-Domain Analysis
+
+**Step 1: Abstração**
+Elevar o nível de abstração do achado específico para o padrão geral:
+- Específico: "Reddit cresce mais onde há escassez de conteúdo de nicho"
+- Abstrato: "Plataformas crescem preenchendo gaps de conteúdo em comunidades subservidas"
+
+**Step 2: Busca Cross-Domain**
+Procurar o mesmo padrão em outros domínios:
+- "Esse padrão se repete em marketplaces? Em SaaS B2B? Em physical retail?"
+
+**Step 3: Transferência**
+Aplicar insights de um domínio para informar estratégia em outro:
+- "Como as mecânicas de gamificação de Stack Overflow (reputação progressiva) se aplicariam ao nosso produto?"
+
+### Exemplos de Cross-Domain Insights
+
+| Pattern | Domínio Origem | Transferência |
+|---------|---------------|---------------|
+| Granovetter's weak ties | Sociologia | Community growth: bridge users entre comunidades têm valor desproporcional |
+| Hype Cycle | Gartner/Tech | Qualquer nova categoria de produto passa pelo mesmo ciclo |
+| Barabási preferential attachment | Física de redes | Marketing: primeiros clientes em cada nicho atraem os seguintes |
+| Long Tail | Economia digital | SEO: volume de long-tail queries supera head terms |
+| Death Spiral | Network theory | Qualquer marketplace bilateral pode colapsar se liquidity cai |
+
+## Framework 3: Research Crystallization Engine (Avançado)
+
+Evolução do Insight Crystallization Engine existente para síntese de múltiplas pesquisas.
+
+### Fase 1: Convergência de Findings
+
+Para cada claim relevante, mapear evidências de múltiplas fontes:
+
+```
+CLAIM: [Afirmação específica]
+
+Fontes que SUPORTAM:
+  - [Fonte A, Tier X]: [Como suporta]
+  - [Fonte B, Tier Y]: [Como suporta]
+
+Fontes que CONTRADIZEM:
+  - [Fonte C, Tier Z]: [Como contradiz]
+
+Fontes que são NEUTRAS/IRRELEVANTES:
+  - [Fonte D]: [Por que não se aplica]
+
+VEREDICTO DE TRIANGULAÇÃO:
+  [ ] Forte evidência (3+ fontes Tier 1-2 concordam)
+  [ ] Evidência moderada (2+ fontes concordam, sem contradição forte)
+  [ ] Evidência fraca (1 fonte ou sources conflitantes)
+  [ ] Inconclusivo (evidências contradizem sem resolução)
+```
+
+### Fase 2: Padrão de Segunda Ordem
+
+Depois de cristalizar múltiplos findings individuais, buscar o padrão que os conecta:
+
+**Perguntas guias:**
+1. "O que esses findings têm em comum?"
+2. "Se todos esses findings são verdadeiros, o que DEVE ser verdadeiro que ainda não está explícito?"
+3. "Existe uma causa comum que explica múltiplos achados aparentemente não relacionados?"
+4. "Onde os achados apontam em direções diferentes — o que essa tensão revela?"
+
+### Fase 3: Síntese Narrativa
+
+Converter o padrão de segunda ordem em narrative que:
+- Começa pela conclusão (Pyramid Principle)
+- Suporta com os findings cristalizados
+- Conecta ao contexto do negócio/decisão
+- Culmina em implicações acionáveis
+
+## Framework 4: Competitive Intelligence Synthesis
+
+Para sintetizar inteligência competitiva de múltiplas fontes em visão integrada.
+
+### Battle-Space Map
+Síntese visual do espaço competitivo:
+
+```
++-------------------+-------------------+
+|                   |                   |
+|    CHALLENGERS    |    LEADERS        |
+| (alto potencial,  | (alta execução,   |
+|  baixa execução)  |  alto potencial)  |
+|                   |                   |
++-------------------+-------------------+
+|                   |                   |
+|    NICHE PLAYERS  |    VISIONARIES    |
+| (baixo potencial, | (alto potencial,  |
+|  baixa execução)  |  baixa execução)  |
+|                   |                   |
++-------------------+-------------------+
+     Eixo X: Ability to Execute
+     Eixo Y: Completeness of Vision
+```
+
+**O que este mapa não diz (armadilhas):**
+- Posição hoje ≠ posição amanhã (mercados dinâmicos)
+- Quadrante não é destino — é snapshot
+- Complementar sempre com análise de velocidade de movimento
+
+### Weak Signal Aggregation
+Sintetizar sinais fracos de múltiplas fontes para identificar tendências emergentes antes de serem óbvias:
+
+| Sinal | Fonte | Intensidade | Velocidade | Cross-Domain? |
+|-------|-------|-------------|------------|:-------------:|
+| [Sinal 1] | [Onde apareceu] | 1-5 | Acelerando/Estável | Sim/Não |
+
+**Threshold para elevar de sinal para tendência:**
+- 3+ fontes independentes observam o mesmo sinal, OU
+- 1 sinal com intensidade crescente por 3+ períodos consecutivos, OU
+- Sinal aparece em 2+ domínios não relacionados
+
+## Framework 5: Narrative Synthesis
+
+Para sintetizar resultados de forma comunicável para audiências não-técnicas.
+
+### Estrutura de Narrativa de Research
+
+**The Hook:** Uma observação contraintuitiva ou surpreendente que captura atenção
+> "Empresas com melhor NPS crescem mais lento em alguns segmentos — descobrimos por quê."
+
+**The Stakes:** Por que isso importa para quem lê
+> "Isso muda como deveríamos pensar sobre nossa estratégia de retenção para Q3."
+
+**The Evidence:** Findings cristalizados com confidence levels
+> Findings organizados do mais forte (HIGH) ao mais fraco (LOW)
+
+**The Mechanism:** O que explica o padrão observado
+> "A razão parece ser que..." [mecanismo causal ou correlacional explicado]
+
+**The Implications:** O que fazer diferente
+> FINDINGS → IMPLICATIONS → RECOMMENDATIONS no formato padrão da squad
+
+**The Uncertainty:** O que não sabemos, limitações
+> "Esta análise não cobre X, Y. Se X for diferente do assumido, a implicação seria Z."
+
+## Ferramentas para Síntese Assistida por IA
+
+### Usando LLMs para Síntese
+
+**Síntese Cross-Source:**
+```
+Dado os seguintes {N} achados de pesquisas diferentes:
+[Lista de findings com fontes]
+
+Identifique:
+1. Padrões que aparecem em múltiplas fontes (com evidência)
+2. Contradições que precisam de investigação
+3. O insight de segunda ordem que emerge da combinação
+4. Lacunas que nenhuma fonte cobre
+5. Uma síntese de 3-5 frases que captura o essencial
+```
+
+**Cross-Domain Pattern Recognition:**
+```
+O seguinte padrão foi observado em [domínio A]:
+[Descrição do padrão]
+
+Pesquise se padrão similar existe em:
+- [Domínio B]
+- [Domínio C]
+- [Domínio D]
+
+Se sim, como as diferenças de contexto afetam a transferibilidade do insight?
+```
+
+### Quality Gates para Síntese
+
+Antes de entregar síntese como output final:
+
+- [ ] Todos os findings individuais têm confidence level declarado?
+- [ ] A síntese representa fielmente as fontes, sem extrapolação excessiva?
+- [ ] Contradições foram explicitamente endereçadas, não ignoradas?
+- [ ] O nível de certeza da síntese não excede o das fontes individuais?
+- [ ] Limitações e lacunas foram declaradas?
+- [ ] O insight de segunda ordem é genuinamente novo ou apenas resumo?
+- [ ] Existe pelo menos 1 RECOMMENDATION acionável?
+
+---
+
+*Knowledge base da squad-research | Fonte: MS-009 + práticas SINAPSE*