UI / UX Design
How I helped reduce search-related CES complaints by 42%
Last updated:
2025
Industry :
Educação
Client :
Estratégia
Project Duration :
4 semanas
Contexto
O Estratégia é uma edtech que oferece pacotes e assinaturas de cursos preparatórios online para diferentes áreas. Através de uma plataforma white label, atendia múltiplas verticais de negócio com a mesma base de funcionalidades.
Em produtos de assinatura, o aluno podia acessar centenas de cursos, materiais e soluções pedagógicas diferentes, muitas vezes com nomes parecidos, mas voltados a instituições distintas. Na prática, a plataforma funcionava mais como um grande acervo de cursos do que como uma jornada guiada de preparação, o que tornava a experiência de busca especialmente complexa.
A evolução contínua da experiência fazia parte das OKRs de Tecnologia e Design, e o CES era uma das métricas usadas para sinalizar fricções na jornada dos alunos. Como Designer de Produto, eu analisava recorrentemente esses feedbacks para identificar ofensores da experiência e transformá-los em insumos para discovery e priorização.
A dificuldade de encontrar materiais aparecia com frequência como um dos principais ofensores. Muitos alunos gastavam tempo tentando localizar o conteúdo correto, o que afetava a confiança na plataforma e a percepção de valor do produto.
Além disso, a busca já carregava impactos de decisões anteriores baseadas em hipóteses pouco validadas. Por isso, o desafio não era simplesmente propor novas funcionalidades, mas reduzir risco antes de direcionar novas soluções.
objetivo
Transformar reclamações recorrentes sobre busca em uma leitura clara, priorizável e acionável do problema.
Para isso, estruturei a investigação para entender:
onde a experiência falhava;
quais mecanismos causavam essas falhas;
o que deveria ser priorizado primeiro;
o que deveria ser adiado para evitar aumentar risco.
investigação
O ponto de partida foi a análise de mais de 1.000 comentários mensais do CES, pré-classificados com apoio do ChatGPT e refinados manualmente no contexto real do produto.
Depois, observei o funcionamento da busca na plataforma para validar os problemas citados nos comentários, reproduzir os cenários relatados pelos alunos e entender onde a experiência quebrava.
A análise mostrou que as reclamações sobre busca não apontavam para um único problema. Elas envolviam dois mecanismos diferentes:
Busca externa: usada para localizar cursos e materiais no acervo do aluno.
Busca interna: usada para encontrar trechos dentro de conteúdos já abertos.
A partir dos feedbacks recorrentes e do meu repertório sobre o produto, surgiu a hipótese de que parte da fricção também estava na dificuldade do aluno entender onde buscar e como formular a pesquisa.
Para investigar isso, analisei o histórico de buscas e sinais comportamentais, que indicaram uso frequente da busca no contexto errado e baixo uso do seletor de contexto.
Combinando essas leituras, organizei os problemas em três dimensões acionáveis: relevância, orientação e cobertura.
principais achados
1. Relevância
A busca nem sempre interpretava bem a intenção do aluno. Expressões compostas podiam ser tratadas como palavras soltas, gerando resultados pouco aderentes.
Esse problema era mais crítico em assinaturas, porque havia muitos cursos e materiais parecidos, aumentando a ambiguidade.
2. Orientação
Muitos alunos buscavam no contexto errado da plataforma. Como a busca funcionava de forma contextual, procurar no lugar errado podia gerar ausência de resultados ou respostas sem sentido.
O heatmap reforçou esse achado: o seletor de contexto da busca tinha baixo uso, indicando que a experiência não orientava bem sobre onde buscar.
3. Cobertura
Alguns conteúdos procurados pelos alunos existiam dentro dos materiais de estudo, mas não eram acessados pela busca externa.
Ampliar cobertura parecia uma solução natural. Porém, com relevância e orientação ainda frágeis, isso poderia aumentar o ruído e piorar a experiência.
Consolidação e priorização
Consolidei os achados em um mural de discovery e facilitei o alinhamento entre PM, CTO e EM ao transformar uma dor genérica em critérios objetiva sobre causas, riscos, escopo e prioridade.
Uma tensão importante apareceu nesse alinhamento: ampliar cobertura fazia sentido no longo prazo, mas exigia maior complexidade técnica e poderia não resolver a dor mais imediata dos alunos.
Se a busca já retornava muitos resultados pouco precisos, buscar em ainda mais lugares poderia piorar a experiência.
Trade-off
O principal trade-off foi não ampliar cobertura antes de amadurecer relevância e orientação.
A decisão foi priorizar melhorias que aumentassem a chance de o aluno encontrar o conteúdo certo com mais precisão e menos esforço, como:
melhor interpretação do que era digitado;
evolução das sugestões de busca;
melhor direcionamento dentro dos resultados.
A expansão da cobertura ficou como frente mais complexa e de longo prazo.
RESULTADO
A investigação transformou a busca em uma frente priorizada com mais clareza de problema, critério de decisão e direcionamento de produto.
Antes, a discussão partia de feedbacks dispersos e pedidos isolados. Depois, o time passou a discutir a busca a partir de dimensões mais objetivas: relevância, orientação, cobertura e viabilidade.
Na prática, isso ajudou a separar busca externa e busca interna como problemas diferentes, tratar relevância como prioridade imediata e postergar a expansão de cobertura para uma frente mais complexa e de longo prazo.
Como o CES era uma métrica volátil e concentrava muitas reclamações, não usamos apenas a nota geral como indicador de sucesso. O acompanhamento passou a considerar principalmente a redução de reclamações específicas sobre busca, o que também facilitou a definição de métricas e critérios de sucesso para as soluções.
APRENDIZADOS
Problemas de busca nem sempre são apenas de interface. Muitas vezes, dependem da forma como a busca foi projetada, de como o algoritmo interpreta os termos pesquisados, de como o conteúdo está estruturado e da capacidade do sistema de corresponder à intenção real do usuário.
Também ficou claro que a solução mais óbvia nem sempre é a melhor primeira decisão. Ampliar cobertura parecia natural, mas, sem resolver precisão e orientação, poderia aumentar o esforço do aluno.
Mais do que adicionar funcionalidades, o valor do trabalho esteve em enquadrar melhor o problema para ajudar o time a decidir o que atacar primeiro, o que adiar e quais riscos evitar.
More Projects
UI / UX Design
How I helped reduce search-related CES complaints by 42%
Last updated:
2025
Industry :
Educação
Client :
Estratégia
Project Duration :
4 semanas
Contexto
O Estratégia é uma edtech que oferece pacotes e assinaturas de cursos preparatórios online para diferentes áreas. Através de uma plataforma white label, atendia múltiplas verticais de negócio com a mesma base de funcionalidades.
Em produtos de assinatura, o aluno podia acessar centenas de cursos, materiais e soluções pedagógicas diferentes, muitas vezes com nomes parecidos, mas voltados a instituições distintas. Na prática, a plataforma funcionava mais como um grande acervo de cursos do que como uma jornada guiada de preparação, o que tornava a experiência de busca especialmente complexa.
A evolução contínua da experiência fazia parte das OKRs de Tecnologia e Design, e o CES era uma das métricas usadas para sinalizar fricções na jornada dos alunos. Como Designer de Produto, eu analisava recorrentemente esses feedbacks para identificar ofensores da experiência e transformá-los em insumos para discovery e priorização.
A dificuldade de encontrar materiais aparecia com frequência como um dos principais ofensores. Muitos alunos gastavam tempo tentando localizar o conteúdo correto, o que afetava a confiança na plataforma e a percepção de valor do produto.
Além disso, a busca já carregava impactos de decisões anteriores baseadas em hipóteses pouco validadas. Por isso, o desafio não era simplesmente propor novas funcionalidades, mas reduzir risco antes de direcionar novas soluções.
objetivo
Transformar reclamações recorrentes sobre busca em uma leitura clara, priorizável e acionável do problema.
Para isso, estruturei a investigação para entender:
onde a experiência falhava;
quais mecanismos causavam essas falhas;
o que deveria ser priorizado primeiro;
o que deveria ser adiado para evitar aumentar risco.
investigação
O ponto de partida foi a análise de mais de 1.000 comentários mensais do CES, pré-classificados com apoio do ChatGPT e refinados manualmente no contexto real do produto.
Depois, observei o funcionamento da busca na plataforma para validar os problemas citados nos comentários, reproduzir os cenários relatados pelos alunos e entender onde a experiência quebrava.
A análise mostrou que as reclamações sobre busca não apontavam para um único problema. Elas envolviam dois mecanismos diferentes:
Busca externa: usada para localizar cursos e materiais no acervo do aluno.
Busca interna: usada para encontrar trechos dentro de conteúdos já abertos.
A partir dos feedbacks recorrentes e do meu repertório sobre o produto, surgiu a hipótese de que parte da fricção também estava na dificuldade do aluno entender onde buscar e como formular a pesquisa.
Para investigar isso, analisei o histórico de buscas e sinais comportamentais, que indicaram uso frequente da busca no contexto errado e baixo uso do seletor de contexto.
Combinando essas leituras, organizei os problemas em três dimensões acionáveis: relevância, orientação e cobertura.
principais achados
1. Relevância
A busca nem sempre interpretava bem a intenção do aluno. Expressões compostas podiam ser tratadas como palavras soltas, gerando resultados pouco aderentes.
Esse problema era mais crítico em assinaturas, porque havia muitos cursos e materiais parecidos, aumentando a ambiguidade.
2. Orientação
Muitos alunos buscavam no contexto errado da plataforma. Como a busca funcionava de forma contextual, procurar no lugar errado podia gerar ausência de resultados ou respostas sem sentido.
O heatmap reforçou esse achado: o seletor de contexto da busca tinha baixo uso, indicando que a experiência não orientava bem sobre onde buscar.
3. Cobertura
Alguns conteúdos procurados pelos alunos existiam dentro dos materiais de estudo, mas não eram acessados pela busca externa.
Ampliar cobertura parecia uma solução natural. Porém, com relevância e orientação ainda frágeis, isso poderia aumentar o ruído e piorar a experiência.
Consolidação e priorização
Consolidei os achados em um mural de discovery e facilitei o alinhamento entre PM, CTO e EM ao transformar uma dor genérica em critérios objetiva sobre causas, riscos, escopo e prioridade.
Uma tensão importante apareceu nesse alinhamento: ampliar cobertura fazia sentido no longo prazo, mas exigia maior complexidade técnica e poderia não resolver a dor mais imediata dos alunos.
Se a busca já retornava muitos resultados pouco precisos, buscar em ainda mais lugares poderia piorar a experiência.
Trade-off
O principal trade-off foi não ampliar cobertura antes de amadurecer relevância e orientação.
A decisão foi priorizar melhorias que aumentassem a chance de o aluno encontrar o conteúdo certo com mais precisão e menos esforço, como:
melhor interpretação do que era digitado;
evolução das sugestões de busca;
melhor direcionamento dentro dos resultados.
A expansão da cobertura ficou como frente mais complexa e de longo prazo.
RESULTADO
A investigação transformou a busca em uma frente priorizada com mais clareza de problema, critério de decisão e direcionamento de produto.
Antes, a discussão partia de feedbacks dispersos e pedidos isolados. Depois, o time passou a discutir a busca a partir de dimensões mais objetivas: relevância, orientação, cobertura e viabilidade.
Na prática, isso ajudou a separar busca externa e busca interna como problemas diferentes, tratar relevância como prioridade imediata e postergar a expansão de cobertura para uma frente mais complexa e de longo prazo.
Como o CES era uma métrica volátil e concentrava muitas reclamações, não usamos apenas a nota geral como indicador de sucesso. O acompanhamento passou a considerar principalmente a redução de reclamações específicas sobre busca, o que também facilitou a definição de métricas e critérios de sucesso para as soluções.
APRENDIZADOS
Problemas de busca nem sempre são apenas de interface. Muitas vezes, dependem da forma como a busca foi projetada, de como o algoritmo interpreta os termos pesquisados, de como o conteúdo está estruturado e da capacidade do sistema de corresponder à intenção real do usuário.
Também ficou claro que a solução mais óbvia nem sempre é a melhor primeira decisão. Ampliar cobertura parecia natural, mas, sem resolver precisão e orientação, poderia aumentar o esforço do aluno.
Mais do que adicionar funcionalidades, o valor do trabalho esteve em enquadrar melhor o problema para ajudar o time a decidir o que atacar primeiro, o que adiar e quais riscos evitar.
More Projects
UI / UX Design
How I helped reduce search-related CES complaints by 42%
Last updated:
2025
Industry :
Educação
Client :
Estratégia
Project Duration :
4 semanas
Contexto
O Estratégia é uma edtech que oferece pacotes e assinaturas de cursos preparatórios online para diferentes áreas. Através de uma plataforma white label, atendia múltiplas verticais de negócio com a mesma base de funcionalidades.
Em produtos de assinatura, o aluno podia acessar centenas de cursos, materiais e soluções pedagógicas diferentes, muitas vezes com nomes parecidos, mas voltados a instituições distintas. Na prática, a plataforma funcionava mais como um grande acervo de cursos do que como uma jornada guiada de preparação, o que tornava a experiência de busca especialmente complexa.
A evolução contínua da experiência fazia parte das OKRs de Tecnologia e Design, e o CES era uma das métricas usadas para sinalizar fricções na jornada dos alunos. Como Designer de Produto, eu analisava recorrentemente esses feedbacks para identificar ofensores da experiência e transformá-los em insumos para discovery e priorização.
A dificuldade de encontrar materiais aparecia com frequência como um dos principais ofensores. Muitos alunos gastavam tempo tentando localizar o conteúdo correto, o que afetava a confiança na plataforma e a percepção de valor do produto.
Além disso, a busca já carregava impactos de decisões anteriores baseadas em hipóteses pouco validadas. Por isso, o desafio não era simplesmente propor novas funcionalidades, mas reduzir risco antes de direcionar novas soluções.
objetivo
Transformar reclamações recorrentes sobre busca em uma leitura clara, priorizável e acionável do problema.
Para isso, estruturei a investigação para entender:
onde a experiência falhava;
quais mecanismos causavam essas falhas;
o que deveria ser priorizado primeiro;
o que deveria ser adiado para evitar aumentar risco.
investigação
O ponto de partida foi a análise de mais de 1.000 comentários mensais do CES, pré-classificados com apoio do ChatGPT e refinados manualmente no contexto real do produto.
Depois, observei o funcionamento da busca na plataforma para validar os problemas citados nos comentários, reproduzir os cenários relatados pelos alunos e entender onde a experiência quebrava.
A análise mostrou que as reclamações sobre busca não apontavam para um único problema. Elas envolviam dois mecanismos diferentes:
Busca externa: usada para localizar cursos e materiais no acervo do aluno.
Busca interna: usada para encontrar trechos dentro de conteúdos já abertos.
A partir dos feedbacks recorrentes e do meu repertório sobre o produto, surgiu a hipótese de que parte da fricção também estava na dificuldade do aluno entender onde buscar e como formular a pesquisa.
Para investigar isso, analisei o histórico de buscas e sinais comportamentais, que indicaram uso frequente da busca no contexto errado e baixo uso do seletor de contexto.
Combinando essas leituras, organizei os problemas em três dimensões acionáveis: relevância, orientação e cobertura.
principais achados
1. Relevância
A busca nem sempre interpretava bem a intenção do aluno. Expressões compostas podiam ser tratadas como palavras soltas, gerando resultados pouco aderentes.
Esse problema era mais crítico em assinaturas, porque havia muitos cursos e materiais parecidos, aumentando a ambiguidade.
2. Orientação
Muitos alunos buscavam no contexto errado da plataforma. Como a busca funcionava de forma contextual, procurar no lugar errado podia gerar ausência de resultados ou respostas sem sentido.
O heatmap reforçou esse achado: o seletor de contexto da busca tinha baixo uso, indicando que a experiência não orientava bem sobre onde buscar.
3. Cobertura
Alguns conteúdos procurados pelos alunos existiam dentro dos materiais de estudo, mas não eram acessados pela busca externa.
Ampliar cobertura parecia uma solução natural. Porém, com relevância e orientação ainda frágeis, isso poderia aumentar o ruído e piorar a experiência.
Consolidação e priorização
Consolidei os achados em um mural de discovery e facilitei o alinhamento entre PM, CTO e EM ao transformar uma dor genérica em critérios objetiva sobre causas, riscos, escopo e prioridade.
Uma tensão importante apareceu nesse alinhamento: ampliar cobertura fazia sentido no longo prazo, mas exigia maior complexidade técnica e poderia não resolver a dor mais imediata dos alunos.
Se a busca já retornava muitos resultados pouco precisos, buscar em ainda mais lugares poderia piorar a experiência.
Trade-off
O principal trade-off foi não ampliar cobertura antes de amadurecer relevância e orientação.
A decisão foi priorizar melhorias que aumentassem a chance de o aluno encontrar o conteúdo certo com mais precisão e menos esforço, como:
melhor interpretação do que era digitado;
evolução das sugestões de busca;
melhor direcionamento dentro dos resultados.
A expansão da cobertura ficou como frente mais complexa e de longo prazo.
RESULTADO
A investigação transformou a busca em uma frente priorizada com mais clareza de problema, critério de decisão e direcionamento de produto.
Antes, a discussão partia de feedbacks dispersos e pedidos isolados. Depois, o time passou a discutir a busca a partir de dimensões mais objetivas: relevância, orientação, cobertura e viabilidade.
Na prática, isso ajudou a separar busca externa e busca interna como problemas diferentes, tratar relevância como prioridade imediata e postergar a expansão de cobertura para uma frente mais complexa e de longo prazo.
Como o CES era uma métrica volátil e concentrava muitas reclamações, não usamos apenas a nota geral como indicador de sucesso. O acompanhamento passou a considerar principalmente a redução de reclamações específicas sobre busca, o que também facilitou a definição de métricas e critérios de sucesso para as soluções.
APRENDIZADOS
Problemas de busca nem sempre são apenas de interface. Muitas vezes, dependem da forma como a busca foi projetada, de como o algoritmo interpreta os termos pesquisados, de como o conteúdo está estruturado e da capacidade do sistema de corresponder à intenção real do usuário.
Também ficou claro que a solução mais óbvia nem sempre é a melhor primeira decisão. Ampliar cobertura parecia natural, mas, sem resolver precisão e orientação, poderia aumentar o esforço do aluno.
Mais do que adicionar funcionalidades, o valor do trabalho esteve em enquadrar melhor o problema para ajudar o time a decidir o que atacar primeiro, o que adiar e quais riscos evitar.