Hub analítico nativo construído do zero. Trabalhei para reunir dados conversacionais dispersos em uma experiência analítica integrada à plataforma, incluindo uma camada de IA para usuários sem perfil técnico.
01
Contexto
A Weni já era uma plataforma robusta de automação conversacional quando o Insights nasceu. Clientes criavam agentes de IA, gerenciavam fluxos e atendiam consumidores por WhatsApp, Telegram, Instagram e outros canais. O produto funcionava — mas havia um gap estratégico importante: os dados gerados por toda essa operação conversacional não estavam acessíveis de forma nativa.
Para consultar métricas dos seus agentes e fluxos, os clientes precisavam chamar a API da Weni, exportar os dados e processá-los em ferramentas externas. Quem tinha equipe técnica construía dashboards no Looker Studio. Quem não tinha, ficava às cegas. Em ambos os casos, a experiência era fragmentada — e o tempo entre geração e consumo dos dados criava um atraso que prejudicava decisões operacionais.
O Weni Chats já possuía um dashboard focado em atendimento humano, mas os dados dos bots e agentes inteligentes ficavam fora dessa experiência. Meu desafio foi criar um produto que unificasse tudo isso — e que fosse acessível para qualquer perfil de usuário, técnico ou não.
02
O problema
O diagnóstico do discovery foi claro: os dados existiam, mas chegavam com atrito demais para a maioria dos usuários. Os clientes viviam com uma combinação de fricções que tornavam a análise cara, lenta e exclusiva para perfis técnicos:
Acessar dados exigia conhecimento de API ou configuração de pipelines externos.
Dados atualizavam a cada ~15 minutos via API, criando lag em operações críticas.
Usuários não técnicos simplesmente não conseguiam acessar métricas sem ajuda.
Atendimento humano, bots e conversão ficavam em dashboards separados ou inexistentes.
O problema mais silencioso era a fragmentação: clientes não conseguiam ver a jornada completa do consumidor — do bot ao humano, da conversa à conversão. Isso tornava impossível otimizar o que realmente importava para o negócio.
03
Solução e decisões-chave
O Weni Insights foi construído como uma camada de embedded analytics integrada nativamente à plataforma — eliminando a necessidade de exportações, pipelines externos ou ferramentas de BI terceirizadas para grande parte dos clientes.
A primeira decisão estratégica foi unificar os dados que antes viviam separados: migramos o dashboard operacional do Weni Chats para dentro do Insights, transformando-o no hub analítico central da plataforma. Atendimento humano, automação conversacional, indicadores operacionais e métricas de conversão passaram a coexistir em uma única experiência.
A segunda decisão foi sobre latência. Reduzimos o tempo de atualização dos dados de ~15 minutos para até 5 minutos — uma mudança que pode parecer incremental, mas que transformou a percepção de valor do produto para operações de alto volume, aproximando a experiência de um monitoramento quase em tempo real.
A terceira decisão foi sobre acessibilidade. Construímos uma camada de interpretação de dados baseada em IA que ajudava usuários a compreender métricas, padrões e comportamentos sem depender de leitura manual dos dashboards. Isso abriu o produto para usuários sem perfil técnico, que antes ficavam de fora do fluxo de análise por completo.
Com foco especial em clientes de varejo e e-commerce, desenvolvemos dashboards personalizados para funil de vendas, recuperação de carrinho abandonado, rastreamento de origem via UTM, conversão em fluxos conversacionais e análise de comportamento em jornadas automatizadas.
04
Impacto
O MVP foi lançado inicialmente para clientes estratégicos da Weni — e na primeira semana já havia processado e analisado mais de 200 mil conversas. Esse número validou tanto a demanda reprimida pelo produto quanto a estabilidade técnica da solução desde o início.
O impacto mais duradouro, porém, foi estratégico. Ao centralizar analytics dentro da própria plataforma, o Insights aumentou o stickiness da Weni: clientes que antes podiam substituir a plataforma por um concorrente agora tinham seus dashboards, histórico e inteligência de negócio integrados ao ecossistema, o que tornava qualquer troca significativamente mais cara.
Para os usuários finais, a mudança foi de comportamento: métricas que antes exigiam uma tarde de trabalho de um analista passaram a estar disponíveis em minutos, para qualquer membro do time — com interpretação assistida por IA quando necessário. Dados conversacionais, antes restritos ao time técnico, passaram a fazer parte da rotina operacional e comercial dos clientes.
Ao consolidar analytics dentro da própria plataforma, o Insights mudou o posicionamento da Weni. O que antes era uma ferramenta de automação ganhou uma camada de inteligência que se tornou parte da operação diária dos clientes.
05
Aprendizados
O maior aprendizado foi sobre acessibilidade como estratégia de produto. A camada de IA para interpretação de dados não foi incluída como diferencial tecnológico, mas como decisão de democratização. Quando a barreira técnica cai, mais pessoas conseguem tomar decisões baseadas em dados, e isso tem impacto direto no valor percebido da plataforma.
Outro aprendizado foi sobre latência como experiência. A redução de 15 para 5 minutos parece pequena em termos absolutos, mas no contexto de uma operação de atendimento ou de uma campanha de recuperação de carrinho, aqueles 10 minutos têm impacto real. Passei a medir o valor de melhorias de performance pelo que elas permitem que o usuário faça, não pelo número em si.
Integrar analytics dentro da plataforma se revelou uma das decisões com maior impacto no longo prazo, e foi onde aprendi mais sobre produto como retenção. O uso imediato cresceu, mas o efeito mais duradouro foi no custo de saída: clientes com histórico e dashboards integrados ao ecossistema têm muito mais fricção para trocar de plataforma. Criar valor integrado ao fluxo de trabalho do cliente é uma das formas mais duráveis de construir retenção.