sinapse-ai 9.3.0 → 9.5.0

package/squads/squad-product/knowledge-base/pm-frameworks-reference.md

@@ -65,22 +65,73 @@ Effort: person-months
 
 ## Goal-Setting Frameworks
 
-### OKRs (Doerr)
+### OKRs (Doerr) — Deep Reference
+
+OKRs (Objectives and Key Results) foram popularizados por John Doerr no livro "Measure What Matters" (2018), baseado no sistema criado por Andy Grove na Intel e adotado pelo Google desde 1999.
+
+**Estrutura Completa:**
 ```
-Objective: Qualitative, inspirational
-  KR 1: [metric] from [X] to [Y]
-  KR 2: [metric] from [X] to [Y]
-  KR 3: [metric] from [X] to [Y]
+Objective: Qualitativo, inspiracional, time-bound (trimestral geralmente)
+  KR 1: [metrica] from [X] to [Y] by [data]
+  KR 2: [metrica] from [X] to [Y] by [data]
+  KR 3: [metrica] from [X] to [Y] by [data]
+  KR 4: (opcional, max 5 KRs por Objective)
 
 Scoring: 0.0-1.0
-  0.7 = target hit (aspirational)
+  0.7 = target hit (aspiracional — se sempre 1.0, nao e ambicioso)
   0.6-0.7 = healthy average
-  >0.8 = not ambitious enough
-  <0.4 = execution or target issues
+  >0.8 = not ambitious enough (subestimou)
+  <0.4 = execution or target issues (investigar)
+
+Mix: 60-70% committed OKRs, 30-40% aspirational OKRs
+```
+
+**Criterios de bons Key Results:**
+1. Quantitativos e mensuraveis (sem "melhorar", "aumentar" sem numero)
+2. Outcomes, nao outputs ("Atingir NRR de 110%", nao "Lançar feature X")
+3. Leading indicators preferidos a lagging quando possivel
+4. Max 5 KRs por Objective (foco)
+5. Geralmente 3-5 Objectives por trimestre por time
+
+**Exemplo para squad-product:**
+```
+Objective: Tornar o onboarding o mais rapido do mercado
+
+  KR1: Reduzir Time-to-First-Value de 12 minutos para 4 minutos
+  KR2: Aumentar Activation Rate de 28% para 45%
+  KR3: Melhorar D7 Retention de cohorts com onboarding completo de 40% para 55%
+  KR4: Atingir NPS de onboarding >= 45 (hoje: 28)
+```
+
+**Cadencia:**
+- Trimestral: definir OKRs, alignment com liderança
+- Semanal: check-in de progresso (15-30 min)
+- Mid-quarter: health check — ajustar se necessario
+- Final do trimestre: scoring + retrospectiva
 
-Mix: 60-70% committed, 30-40% aspirational
+**CFRs — o complemento dos OKRs:**
+Doerr adiciona CFRs (Conversations, Feedback, Recognition) como o lado humano dos OKRs:
+- Conversations regulares (1:1s) sobre progresso
+- Feedback contínuo sobre comportamento e resultados
+- Recognition quando KRs sao atingidos
+
+**KPI Tree — decompondo o Objective em metricas acionaveis:**
+```
+North Star Metric (ex: MRR)
+├── New MRR
+│   ├── Organic traffic × Conversion rate
+│   ├── Paid traffic × Conversion rate
+│   └── Referrals × Conversion rate
+├── Expansion MRR
+│   ├── Upgrade rate (PQL → Paid)
+│   └── Cross-sell rate
+└── Churned MRR (negativo)
+    ├── Logo churn rate
+    └── Downgrade rate
 ```
 
+Cada folha pode ser atribuida a um sub-time ou individuo — accountability clara.
+
 ## Discovery Frameworks
 
 ### Continuous Discovery Habits (Teresa Torres)
@@ -135,6 +186,71 @@ Bands: 80-100 GREEN | 60-79 YELLOW | 40-59 ORANGE | 0-39 RED
 - Survey: "How would you feel if you could no longer use [product]?"
 - >40% "Very Disappointed" = PMF achieved
 
+## Roadmap Frameworks
+
+### Now / Next / Later (Janna Bastow — ProdPad)
+
+O framework de roadmap mais adequado para contextos de agencia e quando ha incerteza. Evita falsas promessas de data.
+
+```
+NOW (este trimestre):
+  - Features em desenvolvimento ativo
+  - Commitment real com o time
+  - Alta confianca de delivery
+
+NEXT (proximo trimestre):
+  - Features planejadas e priorizadas
+  - Hipoteses validadas, detalhes ainda definindo
+  - Confianca media — pode mudar com nova informacao
+
+LATER (futuro, sem data):
+  - Ideias e direcoes estrategicas
+  - Dependem de validacao ou pre-requisitos
+  - Baixa confianca de timing
+```
+
+**Regras:**
+- Nunca mostrar datas para itens em NEXT ou LATER (promessa que nao pode cumprir)
+- Mover items de LATER → NEXT apenas quando houver evidencia de discovery
+- Items em NOW devem ter criterios de saida claros (Definition of Done)
+
+### Roadmap Formats por Audiencia
+
+| Audiencia | Formato | Nivel de Detalhe |
+|-----------|---------|-----------------|
+| Time de produto | NOW/NEXT/LATER interno com user stories | Alto |
+| Stakeholders internos | NOW/NEXT/LATER com themes e metricas | Medio |
+| Clientes / externos | NOW/NEXT/LATER com outcomes, sem datas | Baixo |
+| Board / investidores | Themes e metas estrategicas, sem features | Muito baixo |
+
+### Weighted Scoring — Priorizacao Avancada
+
+Para quando RICE simples nao captura todas as variaveis relevantes:
+
+```
+Score = (Business Value × W1) + (User Value × W2) + (Strategic Fit × W3)
+         - (Effort × W4) - (Risk × W5)
+
+Exemplo de pesos (ajustar para cada contexto):
+  W1 (Business Value): 30%
+  W2 (User Value): 25%
+  W3 (Strategic Fit): 20%
+  W4 (Effort — negativo): 15%
+  W5 (Risk — negativo): 10%
+
+Como pontuar (1-5 para cada criterio):
+  Business Value: ARR potential, retention impact, NRR impact
+  User Value: # users impacted, intensity of pain resolved
+  Strategic Fit: alignment with product vision e OKRs
+  Effort: story points estimate, complexity, unknowns
+  Risk: technical risk, market risk, dependency risk
+```
+
+**Quando usar:**
+- Portfolio de features com muitas dimensoes de valor
+- Quando stakeholders de diferentes areas precisam de transparencia na priorizacao
+- Para justificar decisoes de roadmap com evidencia numerica
+
 ## Client Management Frameworks
 
 ### Dual Roadmap System

package/squads/squad-product/knowledge-base/product-analytics-formulas.md

@@ -123,3 +123,75 @@ CES = Sum of Effort Scores / Total Responses (lower = better)
 | LTV/CAC | 3x | 5x+ | SaaS benchmarks |
 | Quick Ratio | 2-3 | 4+ | Mamoon Hamid |
 | Net Revenue Retention | 100-110% | 120%+ | KeyBanc |
+
+## Product Analytics Tooling — Quando Usar Cada Um
+
+| Ferramenta | Tipo | Melhor Para |
+|-----------|------|-------------|
+| **Mixpanel** | Product analytics | Event-based, funnels, flows, queries ad hoc |
+| **Amplitude** | Product analytics | Behavioral cohorts, experimentation integrada, enterprise |
+| **Heap** | Auto-capture | Times com pouco engineering bandwidth; retroactive analysis |
+| **PostHog** | Open-source all-in-one | Product analytics + session replay + feature flags (self-hosted) |
+| **GA4** | Web analytics | Trafego web, sessoes, conversoes — events-based |
+| **Hotjar** | Session recording | Heatmaps, qualitative understanding |
+| **Segment** | CDP | Coleta e roteamento de dados para multiplas ferramentas |
+| **Metabase** | BI / dashboards | SQL nativo, facil de usar, open-source |
+| **Looker** | Enterprise BI | Semantic layer (LookML), governance de metricas |
+
+## Cohort Analysis — Como Ler
+
+Cohort analysis agrupa usuarios por data de entrada e mede comportamento ao longo do tempo. E a ferramenta mais poderosa para entender retencao real.
+
+```
+Leitura de tabela de cohorts:
+
+Cohort  | Week 0 | Week 1 | Week 2 | Week 3 | Week 4
+Jan-W1  | 100%   | 45%    | 35%    | 30%    | 28%  ← curva estabilizou? PMF signal
+Jan-W2  | 100%   | 50%    | 40%    | 35%    | 33%  ← melhorou vs Jan-W1? melhorias funcionando?
+Jan-W3  | 100%   | 55%    | 45%    | 38%    | 36%
+
+Sinais positivos:
+  - Cohorts mais recentes retêm melhor que mais antigos = melhorias no produto funcionam
+  - Curva flattens (estabiliza) = PMF encontrado — um nucleo usa sempre
+
+Sinais negativos:
+  - Curva vai a zero = sem PMF — nenhuma quantidade de aquisicao resolve isso
+  - Cohorts mais recentes piores que antigos = algo degradou (produto ou qualidade de aquisicao)
+```
+
+**Tipos de cohort:**
+- **Acquisition cohort:** Agrupados por data de signup (padrao)
+- **Behavioral cohort:** Agrupados por acao (ex: "usou feature X na primeira semana")
+- **Feature cohort:** Comparar retencao de usuarios que adotaram feature vs. nao adotaram
+
+## North Star Metric — Como Definir
+
+A North Star Metric (NSM) e a unica metrica que melhor captura o valor central entregue ao usuario.
+
+**Criterios de uma boa NSM:**
+1. Reflete entrega de valor ao usuario (nao so receita)
+2. E leading indicator de receita futura
+3. E mensuravel e acionavel
+4. Pode ser influenciada por multiplos times
+
+**Exemplos classicos:**
+| Empresa | North Star Metric | Logica |
+|---------|-------------------|--------|
+| Facebook | DAU | Engagement diario = valor para usuario e anunciantes |
+| Airbnb | Noites reservadas | Core value: hospedagem completada |
+| Spotify | Tempo de escuta | Mais escuta = mais valor = mais retencao |
+| Slack | Mensagens por equipe | Adocao dentro da organizacao |
+
+**Guardrail metrics:** NSM nao substitui metricas de guardrail. Se o Spotify otimizasse apenas tempo de escuta, poderia degradar qualidade. Guardrails como NPS, churn e receita evitam otimizacao perversa.
+
+## Vanity vs. Actionable Metrics
+
+| Vanity Metric | Metrica Acionavel | Por que muda |
+|---------------|-------------------|-------------|
+| Total usuarios registrados | MAU (usuarios ativos mensais) | Registrado sem usar nao tem valor |
+| Page views totais | Engagement rate, time on site | Views sem contexto nao informam decisao |
+| Downloads do app | DAU/MAU ratio | Download sem uso e custo, nao valor |
+| Seguidores em social | Engagement rate, click-through | Seguidor inativo nao gera negocio |
+| Total de receita bruta | MRR growth rate, NRR | Receita declinante pode mascarar crescimento pontual |
+
+**Teste de Eric Ries para vanity metric:** Se a metrica subiu, voce sabe exatamente o que fazer diferente? Se nao, provavelmente e vanity.

package/squads/squad-product/knowledge-base/product-led-growth-reference.md

@@ -6,6 +6,13 @@ Referencia para metricas e praticas de Product-Led Growth, para quando clientes
 ## PLG Fundamentals (Wes Bush)
 Product-Led Growth = using your product as the primary vehicle to acquire, activate, and retain customers.
 
+**5 Principios Fundamentais do PLG:**
+1. O produto e o canal — usuario experimenta valor antes de falar com vendas
+2. Self-serve first — onboarding sem friccao, sem demo obrigatoria
+3. Time-to-value minimo — atingir "aha moment" o mais rapido possivel
+4. Bottom-up adoption — individuos adotam, organizacao compra depois
+5. Data-driven expansion — upsell baseado em comportamento, nao em pitch
+
 ### Three Growth Motions
 | Motion | Acquisition | Conversion | Best For |
 |--------|-----------|-----------|---------|
@@ -44,18 +51,140 @@ Firmographic Score (0-100) × 0.3:
 PQL = Score >= threshold
 ```
 
+**Sinais tipicos de PQL (OpenView):**
+- Atingiu limite do plano free
+- Convidou >= 5 colegas para o workspace
+- Usou feature premium durante trial
+- Excedeu volume de uso definido
+- Visitou pagina de pricing >= 2 vezes em 7 dias
+- Exportou dados (sinal de que o dado e valioso)
+
+## Modelos de Precificacao em PLG
+
+### Freemium vs. Free Trial vs. Reverse Trial
+
+| Modelo | Conversao Tipica | Ideal Para | Risco |
+|--------|-----------------|------------|-------|
+| **Freemium** | 2-5% para paid | Alto volume, low touch | "Free forever" consumers recursos sem converter |
+| **Free Trial** | 15-25% (maior urgencia) | Produtos complexos, demonstracao de valor | Pressao temporal pode frustrar |
+| **Reverse Trial** | 10-15% | Produtos onde valor premium e claro | Requer produto maduro com clear differentiation |
+| **Hybrid PLG + Sales** | Variavel | SMB self-serve + Enterprise sales-assist | Requer dois motores distintos |
+
+**Reverse Trial (modelo emergente):** Usuario comeca com funcionalidades premium → apos periodo faz downgrade para free. Funciona bem quando o valor do plano premium e obvio logo de cara.
+
 ## Growth Loops
 
-### Viral Loop
-User → Invites → New User → Activates → Invites → ...
-- K > 1 = viral growth
-- K 0.5-1.0 = supported growth
+### Acquisition Loops (como novos usuarios chegam)
+
+**1. Viral Loop**
+```
+User → Uses product → Invites/shares → New User → Activates → Invites → ...
+K > 1 = viral growth
+K 0.5-1.0 = supported growth (amplifica outros canais)
+```
+Exemplos: Slack, Zoom, Calendly
+
+**2. User-Generated Content Loop**
+```
+User creates content → Content indexed → New user discovers → Activates → Creates content → ...
+```
+Exemplos: Pinterest, Reddit, Notion templates
+
+**3. Paid Loop (funciona se LTV > CAC com margem)**
+```
+Revenue → Invest in ads → New users → Revenue → Reinvest → ...
+```
+
+**4. Sales Loop (B2B enterprise)**
+```
+Revenue → Hire sales → New clients → Revenue → Hire more → ...
+```
+
+### Engagement Loops (como usuarios continuam usando)
+
+**Personal Utility Loop:**
+```
+User creates/stores data → Data becomes more valuable → User returns → Creates more data → ...
+```
+Exemplos: Notion, Google Drive, Evernote
+
+**Social Loop:**
+```
+User posts → Gets feedback (likes, comments) → Motivated → Posts more → ...
+```
 
-### Content Loop
+**Notification Loop:**
+```
+Event happens → Push/email sent → User returns → Generates activity → Event happens → ...
+```
+
+### Monetization Loop
+```
+User uses more → Hits limits → Upgrades → Uses more → Expands further → ...
+```
+
+## Content Loop
 User creates content → Content indexed → New users discover → Activate → Create content → ...
 
-### Usage Loop
-More users → Product improves → More value → More users → ...
+## Usage Loop (Network Effects)
+More users → Product improves (data effects) → More value → More users → ...
+
+## Efeitos de Rede
+
+**Lei de Metcalfe:** Valor da rede proporcional ao quadrado de usuarios (n²)
+**Lei de Reed:** Para redes com grupos, valor cresce exponencialmente (2^n)
+
+| Tipo | Descricao | Exemplo |
+|------|-----------|---------|
+| **Direto** | Mais usuarios = mais valor para cada um | WhatsApp, telefone |
+| **Indireto (cross-side)** | Mais de um lado = mais valor para o outro | Uber (riders/drivers) |
+| **Data network effects** | Mais uso = produto melhor (via ML) | Waze, Google Search |
+| **Marketplace liquidity** | Mais vendedores e compradores = melhor mercado | Airbnb, Amazon |
+
+## Onboarding como Alavanca de PLG
+
+Samuel Hulick (UserOnboard.com) demonstrou que a maioria dos produtos perde 40-60% dos usuarios no primeiro uso.
+
+```
+Framework de Onboarding:
+  1. Sign-up Flow: minimo campos, social login, sem cartao de credito
+  2. Welcome Survey: 2-3 perguntas para personalizar (JTBD, role, objetivo)
+  3. Setup Checklist: passos claros com progresso visual
+  4. Quick Win: primeiro valor em < 5 minutos
+  5. Celebrate: reforco positivo ao atingir marcos
+  6. Ongoing Education: tooltips contextuais, emails educacionais
+
+Metricas criticas:
+  Time-to-First-Value (TTFV): mediana do tempo ate o "aha moment"
+  Activation Rate: % que completa setup critico em D7
+  Day 1 / Day 7 / Day 30 Retention por cohort de onboarding
+  Setup Completion Rate: % que completa cada etapa do checklist
+```
+
+## Product-Led Sales (PLS)
+
+PLS combina PLG com sales-assist: o produto gera leads qualificados pelo uso, e vendedores entram para converter/expandir. Modelo hibrido adotado por Slack, Atlassian, MongoDB, Twilio, Datadog.
+
+**Quando PLG precisa de Sales:**
+- Free tier atingiu limites → Sales ajuda no upgrade
+- Single user → Sales ajuda a expandir para team/company
+- PQL score alto → Sales faz outreach proativo
+- Enterprise features (SSO, admin controls, compliance) → Sales necessario
+- Negociacao de contrato anual / volume deal
+
+**PLS Workflow:**
+```
+User signs up → Uses product → PQL score threshold reached
+→ CS/Sales alert → Personalized outreach → Upgrade/expansion
+```
+
+**Segmentacao por motion:**
+| Segmento | Motion | Owner |
+|---------|--------|-------|
+| Individuos / solopreneurs | Full PLG | Produto |
+| SMB (<50 pessoas) | PLG + light-touch CS | CS + Produto |
+| Mid-market (50-500) | PLS — PQL alert + SDR | Sales + CS |
+| Enterprise (>500) | Sales-led com PLG assist | AE + CS |
 
 ## PLG Maturity Model
 | Score | Stage | Characteristics |
@@ -65,12 +194,25 @@ More users → Product improves → More value → More users → ...
 | 40-59 | PLG-Emerging | Self-serve exists but underperforms |
 | 0-39 | Sales-Led | Minimal product-led motion |
 
+## PLG Benchmarks (OpenView 2024)
+
+| Metrica | Median | Top Quartile |
+|---------|--------|-------------|
+| Signup → Activation Rate | 20-35% | 40-60% |
+| Activation → PQL Rate | 10-20% | 25-40% |
+| PQL → Paid Conversion | 15-25% | 30-50% |
+| Free-to-Paid (geral) | 2-5% | 8-15% |
+| Time-to-First-Value | 3-7 dias | <1 dia |
+| Viral Coefficient (K) | 0.1-0.3 | 0.5+ |
+
 ## Key PLG Authors
 | Author | Focus | Key Work |
 |--------|-------|---------|
-| Wes Bush | PLG strategy | Product-Led Growth (book) |
-| Elena Verna | Growth strategy | PLG frameworks |
-| Kyle Poyar | PLG metrics | OpenView PLG benchmarks |
-| Hiten Shah | Product analytics | FYI, KISSmetrics |
-| Chamath Palihapitiya | Growth | Facebook growth team |
-| Andrew Chen | Network effects | The Cold Start Problem |
+| Wes Bush | PLG strategy | Product-Led Growth (book, 2019) |
+| Elena Verna | Growth strategy, PLG advising | Miro, Amplitude, Dropbox, Malwarebytes |
+| Kyle Poyar | PLG metrics, pricing | OpenView PLG benchmarks |
+| Hiten Shah | Product analytics | FYI, KISSmetrics, Crazy Egg |
+| Chamath Palihapitiya | Growth, social | Facebook original growth team |
+| Andrew Chen | Network effects, cold start | The Cold Start Problem (a16z) |
+| Brian Balfour | Growth loops, RARRA | Reforge (ex-HubSpot VP Growth) |
+| Lenny Rachitsky | PLG metrics, benchmarks | Lenny's Newsletter (ex-Airbnb) |

package/squads/squad-product/knowledge-base/product-market-fit-framework.md

@@ -0,0 +1,222 @@
+# Product-Market Fit Framework
+
+## Purpose
+Framework completo para medir, encontrar e escalar product-market fit (PMF) — combinando metodos quantitativos e qualitativos. Nenhuma estrategia de growth funciona sem PMF.
+
+## O Que e PMF
+
+Marc Andreessen definiu em 2007: "Product-market fit significa estar em um bom mercado com um produto que pode satisfazer esse mercado."
+
+A definicao mais operacional de Andy Rachleff (Benchmark/Wealthfront): PMF = quando o produto satisfaz uma necessidade de mercado com intensidade suficiente para criar crescimento sustentavel.
+
+**A metafora de Sam Altman:** PMF e quando usuarios estao tao desesperados para usar seu produto que voce mal consegue acompanhar o crescimento. Quando os usuarios que sairam voltam a pedir de volta.
+
+**O sinal mais forte de ausencia de PMF:** Voce precisa convencer pessoas a usar seu produto. Com PMF real, usuarios convencem uns aos outros.
+
+## Metodos de Medicao
+
+### 1. Sean Ellis PMF Test (Survey)
+
+O metodo mais usado para medir PMF quantitativamente. Criado por Sean Ellis (ex-Dropbox, GrowthHackers) enquanto gerenciava growth em 40+ empresas.
+
+**A pergunta central:**
+```
+"Como voce se sentiria se nao pudesse mais usar [produto]?"
+Opcoes:
+  (a) Muito decepcionado
+  (b) Um pouco decepcionado
+  (c) Nao decepcionado
+  (d) N/A — nao uso mais
+```
+
+**Interpretacao:**
+```
+% que respondeu "Muito Decepcionado":
+  >= 40%: PMF atingido — foque em crescimento
+  25-40%: PMF parcial — segmente e entenda quem disse 40%+, otimize para eles
+  < 25%: PMF nao atingido — foque em produto, nao em crescimento
+```
+
+**Regras de aplicacao:**
+- Enviar para usuarios que usaram o produto ao menos 2 vezes nos ultimos 30 dias (usuarios ativos, nao todos os signups)
+- Amostra minima: 40 respostas para resultados significativos
+- Segmentar por plano, canal de aquisicao, perfil de usuario para encontrar o segmento com >40%
+- Ler os comentarios qualitativos — especialmente os "Muito Decepcionados" — eles descrevem o produto que voce deveria construir
+
+**Descoberta de Superhuman (Rahul Vohra):**
+Superhuman usou o Ellis Survey para identificar que o segmento com >40% eram "profissionais de alta performance que lidam com grande volume de email". Eles cortaram features para todos os outros segmentos e focaram apenas nesse segmento. NPS foi de 22 para 58 em 6 meses.
+
+### 2. Retention Curves — O Grafico Mais Importante
+
+A curva de retencao e o sinal mais definitivo de PMF. Sem retencao, voce nao tem PMF — tem um funil com vazamento.
+
+**O que procurar:**
+
+```
+Curva que vai a zero:
+  Sem PMF — usuarios experimentam e nao voltam
+  Crescimento = adicionar usuarios que vao embora
+
+Curva que estabiliza (flattens):
+  PMF encontrado — um nucleo de usuarios continua usando
+  A altura do plateau indica forca do PMF
+
+Curva que inverte (J-curve):
+  PMF excepcional — usuarios se tornam mais ativos ao longo do tempo
+  Rarissimo. Exemplos: Slack (quanto mais voce usa, mais critica se torna a ferramenta)
+```
+
+**Como ler a curva:**
+- Eixo X: tempo desde o signup (D1, D7, D30, D60, D90...)
+- Eixo Y: % do cohort original ainda ativo
+- Acao em D1, D7, D30 sao os momentos criticos
+
+**Benchmarks de retencao por tipo de produto (Lenny Rachitsky):**
+
+| Tipo de Produto | D1 | D7 | D30 |
+|----------------|----|----|-----|
+| Consumer social | 25-60% | 15-35% | 8-20% |
+| SaaS B2B | 65-85% | 55-75% | 40-60% |
+| Marketplace | 30-50% | 20-40% | 15-30% |
+| E-commerce | 30-40% | 15-25% | 8-15% |
+
+**Regra de Casey Winters (Pinterest/Grubhub):**
+Se a curva de retencao nao estabiliza, para de gastar em aquisicao. Todo usuario adquirido vai embora — voce esta enchendo um balde furado.
+
+### 3. NPS Segmentado
+
+NPS acima de 40 e um sinal indicativo de PMF — mas deve ser interpretado com cautela porque NPS pode ser alto por inertia (sem alternativas) em vez de amor real.
+
+NPS mais revelador: segmentar por cohort de maturidade:
+- Novos usuarios (D0-D30): NPS baixo e normal — ainda aprendendo
+- Usuarios de longo prazo (D90+): NPS deve ser significativamente mais alto
+- Se NPS de longo prazo nao e maior, ha problema de retencao e produto
+
+### 4. Comportamentos de PMF (Qualitativos)
+
+Sinais que indicam PMF real (Andrew Chen / Andreessen Horowitz):
+
+| Sinal | O que significa |
+|-------|----------------|
+| Usuarios voltam sem ser lembrados | Habito formado — produto resolve necessidade real |
+| Usuarios criam workarounds para problemas do produto | Alto valor percebido supera fricao |
+| Usuarios indicam sem incentivo | Advocacy organica |
+| Usuarios ficam chateados com downtime | Dependencia real |
+| Usuarios pedem features especificas | Engajamento profundo com a proposta de valor |
+| Usuarios migram dados de outra ferramenta | Comprometimento real |
+| "Como eu vivia sem isso?" | Aha moment sustentado |
+
+### 5. Qualitative PMF Interview
+
+Complemento ao Ellis Survey. Entrevistar os "Muito Decepcionados":
+
+```
+Perguntas-chave:
+1. "Como voce descreveria [produto] para um amigo?" 
+   → Revela posicionamento real (geralmente diferente do que a empresa pensa)
+
+2. "Que tipo de pessoa se beneficiaria mais com [produto]?"
+   → Define o ICP real a partir da perspectiva do usuario
+
+3. "O que o levou a mudar para [produto]?" (se vieram de alternativa)
+   → Forca de push (o que estava errado antes) e pull (o que o atraiu)
+
+4. "Qual seria o principal beneficio que perderia?"
+   → Core value prop na voz do usuario
+
+5. "Como voce usa [produto]? Descreva um dia tipico de uso."
+   → Contexto de uso real vs. contexto de uso assumido
+```
+
+## Encontrando PMF — O Processo
+
+### Framework de Rahul Vohra (Superhuman)
+
+1. **Segmentar:** Identificar o segmento com maior % de "Muito Decepcionados" no Ellis Survey
+2. **Codificar:** Ler todos os comentarios dos "Muito Decepcionados" — extrair as frases mais repetidas
+3. **Definir ICP baseado em dados:** "Nosso produto e melhor para [ICP] porque resolve [job] melhor que qualquer alternativa"
+4. **Cortar features:** Funcionalidades amadas pelo segmento wrong diminuem o PMF do segmento right
+5. **Dobrar no que o segmento right ama:** Highroad de features que aparecem nos comentarios dos Muito Decepcionados
+
+### PMF Engine (Eric Ries / Lean Startup)
+
+```
+Build → Measure → Learn (ciclos curtos)
+
+Objetivo: invalidar hipoteses o mais rapido possivel
+Cada ciclo deve responder: "Estamos mais perto ou mais longe de PMF?"
+
+Criterio de pivô:
+  Nao e "o produto nao funciona"
+  E "este segmento / problema / solucao nao tem tracao — onde esta o problema?"
+```
+
+### Pivots Classicos de PMF
+
+| Tipo de Pivot | Quando usar | Exemplo |
+|-------------|------------|---------|
+| **Zoom-in** | Feature se torna produto inteiro | Flickr era game, foto era feature |
+| **Zoom-out** | Produto se torna feature de produto maior | Burbn era check-in app, foto era feature → Instagram |
+| **Customer Segment** | Produto certo, cliente errado | YouTube era dating, virou video geral |
+| **Problem** | Solucao certa, problema errado | Groupon era plataforma de ativismo → cupons |
+| **Platform** | App se torna plataforma | PayPal era para Palm Pilots → web payments |
+| **Business Architecture** | Troca de modelo de margem/volume | | 
+
+## Escalar Apos PMF
+
+**A armadilha do falso PMF:** Crescimento por paid ads pode mascarar ausencia de PMF. Quando o budget para, o crescimento para. PMF real e quando crescimento organico ou viral sustenta o negocio.
+
+### Pre-requisitos para escalar (Benchmark de Andreessen Horowitz)
+
+```
+Antes de escalar agressivamente, confirme:
+  [ ] Retention curve flattened (cohort D30 estabilizou)
+  [ ] NRR >= 100% (clientes estao expandindo ou pelo menos ficando)
+  [ ] K-factor > 0.3 (alguma viralidade organica)
+  [ ] CAC Payback Period < 18 meses
+  [ ] LTV/CAC >= 3:1
+  [ ] Organic growth > 20% do novo MRR (alguma tracao nao-paga)
+  [ ] Sean Ellis Score >= 40% no segmento ICP
+```
+
+### Growth Strategies pós-PMF
+
+| Stage | Focus | Metricas |
+|-------|-------|---------|
+| Pre-PMF | Encontrar o segmento certo, iterar produto | Sean Ellis Score, D30 retention |
+| Early PMF | Otimizar activation e onboarding | TTFV, Activation Rate, D7 retention |
+| Scaling | Escalar o que funciona, diversificar canais | CAC, LTV, NRR, K-factor |
+| Mature | Expansao de produto/mercado, moats | Net Expansion Rate, Market Share |
+
+## Burn Rate vs. PMF — A Decisao Critica
+
+Startup sem PMF que escala = queimar dinheiro no lixo.
+
+**Regra de Sequoia Capital:**
+```
+Se PMF Score < 40% (Ellis) AND Retention Curve vai a zero:
+  → PARE de escalar
+  → REDUZA burn rate
+  → FOQUE 100% em iterar produto com ICP menor e mais definido
+  → Meça a cada 30 dias
+```
+
+**Signal para adicionar growth:**
+```
+D30 retention estabilizou AND
+Sean Ellis Score >= 40% no segmento ICP AND
+QUALQUER organic/viral growth visible
+→ Agora escale o que esta funcionando
+```
+
+## Ferramentas para Medir PMF
+
+| Ferramenta | Uso |
+|-----------|-----|
+| **Typeform / Tally** | Ellis PMF Survey |
+| **Amplitude / Mixpanel** | Retention curves, cohort analysis |
+| **Segment** | Instrumentacao de eventos para tracking preciso |
+| **Looker / Metabase** | Dashboard de metricas de PMF |
+| **Dovetail / Notion** | Repositorio de insights qualitativos de entrevistas |
+| **Hotjar** | Session replay — ver onde usuarios travam |
+| **Delighted / Medallia** | NPS automation |

package/squads/squad-product/knowledge-base/routing-catalog.md

@@ -21,3 +21,35 @@ Maps keywords and domains to specialist agents for intelligent routing within th
 - Route to the **Primary Agent** by default for each domain.
 - Use the **Secondary Agent** when the primary is overloaded or when the request spans multiple domains.
 - For requests that span multiple domains, the orchestrator (product-orqx) coordinates handoffs.
+
+## Knowledge Base Index
+
+| KB File | Domain | Key Contents |
+|---------|--------|-------------|
+| `pm-frameworks-reference.md` | Frameworks gerais | RICE, OST, OKRs, Kano, JTBD, roadmaps, Shape Up |
+| `discovery-methodology-playbook.md` | Discovery | Continuous Discovery, OST deep, JTBD, interviews, A/B |
+| `product-analytics-formulas.md` | Analytics | Formulas, cohorts, NSM, tooling (Amplitude/Mixpanel), benchmarks |
+| `product-led-growth-reference.md` | PLG | PLG fundamentos, PQL, freemium, viral loops, PLS, network effects |
+| `experimentation-framework.md` | Experimentacao | A/B testing, estatistica, MAB, cultura, ferramentas |
+| `customer-success-integration.md` | CS + Produto | Health score, NRR, QBR, NPS, churn, expansion revenue |
+| `product-market-fit-framework.md` | PMF | Sean Ellis test, retention curves, pivots, quando escalar |
+| `brazilian-product-context.md` | Contexto BR | PIX, WhatsApp-first, LGPD, mobile, ecossistema, growth BR |
+| `multi-client-roadmap-management.md` | Multi-cliente | ICE/RICE cross-client, resource allocation, conflicts |
+| `agency-product-management-patterns.md` | Agencia | Dual roadmap, Rich Mironov, scope negotiation, anti-patterns |
+| `client-stakeholder-management-protocols.md` | Stakeholders | Power/interest grid, escalacao, comunicacao, health |
+| `agile-lean-ceremonies-guide.md` | Ceremonias | Sprint planning, retro, discovery sync, QBR |
+| `product-tool-stack-guide.md` | Ferramentas | PM tools, analytics tools, design, comunicacao |
+| `technical-debt-management-framework.md` | Tech debt | Fowler quadrant, severity scoring, budget allocation |
+
+## Cross-KB Links
+
+| Se o usuario perguntar sobre... | Consultar |
+|--------------------------------|-----------|
+| PMF de um produto novo | `product-market-fit-framework.md` + `discovery-methodology-playbook.md` |
+| Como escalar growth | `product-led-growth-reference.md` + `product-market-fit-framework.md` |
+| Retencao caindo | `customer-success-integration.md` + `product-analytics-formulas.md` |
+| Produto brasileiro | `brazilian-product-context.md` + `product-led-growth-reference.md` |
+| Priorizar roadmap | `pm-frameworks-reference.md` + `multi-client-roadmap-management.md` |
+| Experimento especifico | `experimentation-framework.md` + `product-analytics-formulas.md` |
+| Discovery de usuario | `discovery-methodology-playbook.md` + `pm-frameworks-reference.md` |
+| OKRs de produto | `pm-frameworks-reference.md` (secao OKRs deep) |