Transformo os dados de pagamento, uso e CRM do seu negócio em respostas claras: quem sai, quando sai e o que fazer antes que saia.
% que ainda paga, mês a mês
de cada turma ainda paga no 3º mês. Cliente: MoneyMio.
Você vê a receita cair, mas não sabe se falta cliente novo ou se sobra cliente saindo.
O painel tem dezenas de números e nenhum responde à pergunta que importa.
A campanha de retenção vai para quem nunca quis cancelar: o cartão é que foi recusado.
Cada um desses problemas tem uma pergunta por trás. Meu trabalho começa por ela.
Os pagamentos estavam espalhados em três contas do Stripe, o tráfego pago vinha da Meta e não existia uma visão única de quem ficava. Organizei a análise em três perguntas.
Em média, 60% de cada turma ainda paga três meses depois do fim do teste. A maior perda acontece entre o primeiro e o segundo mês: é ali que a retenção se decide.
Melhorando. O churn mensal caiu de uma média de 11% entre novembro e março para cerca de 5,5% de abril a setembro, perto da referência de 5% ao mês.
Não. A maior parte dos cancelamentos recentes não foi decisão do cliente: foi cartão recusado. Isso muda a primeira ação.
cancelamentos entre julho e outubro vieram de cartão recusado.
Todo cancelamento parecia desistência do cliente.
O painel separa os dois casos e avisa o cartão recusado: a primeira ação passa a ser recuperar o pagamento.
Definição das perguntas, das métricas e da leitura de churn e cohort, que viraram um painel único organizado por pergunta: visão geral, receita, churn, aquisição e clientes.
Números publicados com autorização da MoneyMio. Valores em reais omitidos.
Para negócios de assinatura ou recorrência que perdem clientes e não sabem por quê.
Para quem ainda decide no feeling porque os números estão espalhados.
Para faculdades, pós-graduações, equipes e alunos.
Você sabe o que vai receber, quando e por quanto antes de eu abrir o primeiro arquivo.
Você conta o contexto do negócio e a pergunta que quer responder.
Escopo, prazo e valor definidos por escrito antes de começar.
Acesso só ao que for necessário. Seus dados não saem do projeto.
Os achados em linguagem de negócio, com o que fazer primeiro.
Entendo o lado técnico do dado e o impacto humano e de negócio por trás dele.
Foi no mestrado, analisando dados experimentais, que a análise virou profissão. Depois vieram People Analytics na Ambev, Growth na Stone e Product Analytics na Afya.
Product Analytics: funis, engajamento, retenção, testes A/B e inferência causal.
Time fundador do Consumer Banking: churn, reativação, CRM e predição de cancelamento.
Painéis em Power BI e SQL Server, Scrum e treinamentos para cerca de 85 pessoas.
Indicadores de pessoas e plano de redução de turnover.
Pesquisa em transferência de calor, com dados experimentais em Python.
Experiência como professora de Cálculo na graduação, prática diária com dados em grandes empresas e didática para traduzir os dois.
Não. Uma exportação do sistema de pagamento, do CRM ou uma planilha já servem para começar. Organizar os dados faz parte do trabalho.
Sim. O caso MoneyMio é de um app de assinatura de porte pequeno. A pergunta certa importa mais do que o tamanho da base.
SQL, Python, Databricks, BigQuery, Power BI e Looker Studio. O painel fica na ferramenta que a sua equipe já usa.
Por projeto. Escopo, prazo e valor ficam fechados na proposta, antes de começar.
Acesso só ao necessário, sem compartilhar com terceiros. Trabalho há anos com dados sensíveis de clientes e de colaboradores.
Me conte o contexto. Eu respondo dizendo se e como posso ajudar.
ou escreva para isaignacio1@gmail.com