| name | growth-product-manager |
| description | Growth Product Manager sênior especializado em aquisição, ativação, retenção, receita e referral (AARRR), growth loops, experimentação em escala (A/B tests, multi-arm bandits), PLG, onboarding, activation engineering, north-star metrics e tooling de experimentação. Use ao estruturar time de growth, priorizar experimentos, definir north-star metric, construir growth model, otimizar funil ou quando o usuário mencionar Growth PM, PLG, product-led growth, growth loops, activation, AARRR, north-star metric ou experimentação. |
| license | MIT |
| metadata | {"version":"1.0.0","author":"Ric Neves - Flowgrammers","category":"product-team","domain":"growth-product","updated":"2026-04-23T00:00:00.000Z"} |
| agents | ["claude-code"] |
Growth Product Manager Sênior
Frameworks para growth product management: north-star metric, growth loops, funil AARRR, experimentação em escala, activation engineering e PLG.
Palavras-chave
Growth PM, Growth Product Manager, product-led growth, PLG, growth loops, AARRR, north-star metric, input metrics, activation, aha moment, experimentação, A/B test, multi-arm bandit, funnel, retention curve, engagement
Princípios Fundamentais
1. Growth ≠ Marketing, Growth ≠ Sales
Growth PM trabalha DENTRO do produto para mover métricas. Marketing traz tráfego, Sales converte tráfego, Growth PM transforma produto em máquina de crescimento.
2. Growth Loops > Funis
Funil: linear, com leak em cada etapa (100 entram → 10 saem)
Loop: saída alimenta nova entrada (cada ação gera mais ações)
Exemplos de loops:
- Viral: Usuário convida amigos → amigos entram → amigos convidam (Dropbox, Notion)
- Content: Usuário cria → SEO indexa → busca traz → cria mais (Pinterest, Quora)
- UGC: Usuário posta → outros descobrem → engajam → postam (TikTok, Instagram)
- Paid: LTV > CAC → lucro → mais CAC → mais LTV (empresas mid-market)
3. North-Star Metric (NSM)
Uma métrica que captura o valor real entregue ao cliente.
Testes para boa NSM:
- Previsível do sucesso do negócio de longo prazo?
- Reflete valor entregue ao cliente (não valor extraído)?
- Acionável pelo time?
- Medível semanalmente?
Exemplos:
| Empresa | NSM |
|---|
| Airbnb | Noites reservadas |
| Spotify | Minutos ouvidos |
| WhatsApp | Mensagens enviadas |
| Dropbox | Arquivos sincronizados por usuário ativo |
| Notion | Páginas criadas por workspace ativo |
Armadilha: DAU não é NSM. Uso não é valor. Pergunte "o que mede que o cliente recebeu o que veio buscar?"
Framework AARRR (Funil Pirata)
| Estágio | Pergunta | Métrica exemplo |
|---|
| Acquisition | Como descobrem? | CAC por canal |
| Activation | Veem valor rápido? | % aha moment em 7d |
| Retention | Voltam? | Retenção D1/D7/D30/D90 |
| Referral | Trazem outros? | K-factor, viral coefficient |
| Revenue | Pagam? | % conversão free → paid |
Onde focar (ordem):
- Retention FIRST — sem retenção, nada importa
- Activation — amplifica retenção
- Referral e Revenue — amplia o que funciona
- Acquisition — escala só depois de o resto funcionar
Activation Engineering
Aha moment: primeira ação que correlaciona com retenção de longo prazo.
Como descobrir:
- Defina "retido" (ex: ativo no D90)
- Olhe ações dos retidos no D1-D14
- Teste correlações: "usuários que fizeram X dentro de Y tempo retêm Z×"
- Facebook (clássico): 7 amigos em 10 dias
- Slack: 2000 mensagens enviadas pela equipe
Activation loop típico:
Signup → Onboarding → First value action (aha) → Habit → Payment
Otimizações por etapa:
| Etapa | Tática |
|---|
| Signup | Magic link vs. senha, SSO, forms curtos |
| Onboarding | Progressive disclosure, tooltips, empty states úteis |
| First value | Templates, pre-populated data, quick wins em 90s |
| Habit | Notifications inteligentes, daily use hooks, streaks |
| Payment | Soft paywall, usage-based, trial estendido |
Experimentação em Escala
Framework de priorização: ICE
| Critério | Definição |
|---|
| Impact | Se funcionar, quanto move a métrica? (1-10) |
| Confidence | Qual a chance de funcionar? (1-10) |
| Ease | Quão fácil é testar? (1-10) |
Score ICE = I × C × E / 3. Priorize top 20% do backlog.
RICE adiciona Reach. Use quando tiver segmentos muito diferentes.
Rigor estatístico
Sample size calculation:
from scipy import stats
import numpy as np
def min_sample_size(p_baseline, mde_rel, alpha=0.05, power=0.8):
p1 = p_baseline
p2 = p_baseline * (1 + mde_rel)
effect = abs(p2 - p1) / np.sqrt((p1*(1-p1) + p2*(1-p2)) / 2)
z_a = stats.norm.ppf(1 - alpha/2)
z_b = stats.norm.ppf(power)
n = ((z_a + z_b) / effect) ** 2
return int(np.ceil(n))
Regras de ouro:
- Nunca pare teste sem atingir sample size (peeking viola 5%)
- Pré-registre métricas primária e secundárias
- 1 ciclo de negócio completo (geralmente 2 semanas)
- Verifique Sample Ratio Mismatch (SRM) — se |control - treatment| / expected > 1%, anular
- Segmente por persona para entender heterogeneidade
Multi-arm bandit (quando usar)
A/B test clássico: explora igual, aprende, depois explora melhor
Bandit: explora mais a opção que já está ganhando, menos pessoas expostas a loser
Use bandit quando:
- Tráfego alto (>10k/dia)
- Decisão de exposição (qual ad, qual thumbnail)
- Sensível a custo de oportunidade
Use A/B test quando:
- Precisa resposta estatística clara
- Decisão de ship-or-kill (funcionalidade)
- Quer generalizar aprendizado
Growth Model (Driver-based)
Modelo simples (exemplo B2B SaaS freemium):
paid_traffic = 50_000
organic_traffic = 30_000
direct_traffic = 15_000
signup_rate_paid = 0.03
signup_rate_organic = 0.05
signup_rate_direct = 0.08
activation_rate = 0.40
paid_conversion = 0.10
retention_1y = 0.85
signups = (
paid_traffic * signup_rate_paid
+ organic_traffic * signup_rate_organic
+ direct_traffic * signup_rate_direct
)
activated = signups * activation_rate
paying = activated * paid_conversion
revenue_y1 = paying * arpu_year * retention_1y
Uso: mude 1 driver por vez, veja impacto no output. Foque no driver com maior elasticidade.
PLG (Product-Led Growth) — Quando e Como
Adequado quando:
- Valor do produto é auto-evidente
- Onboarding pode ser feito sozinho (< 15 min)
- Preço permite tier free ou trial
- Segmento tolera self-service (SMB mais que Enterprise)
Estrutura PLG:
- Free plan / trial real (não mutilado)
- Onboarding guiado (checklist, tooltips, templates)
- Expansion triggers (limites que incentivam upgrade)
- In-product upgrade path (paywall contextual)
- Self-serve checkout (Stripe, cartão, instantâneo)
Armadilha: PLG puro raramente funciona em ACV > R$ 20k/ano. Híbrido (PLG + Sales-assist) é padrão em mid-market.
Stack de Growth (ferramentas 2026)
| Categoria | Ferramentas |
|---|
| Analytics | Amplitude, Mixpanel, GA4, PostHog |
| A/B test | Statsig, GrowthBook, Optimizely, PostHog |
| CDP | Segment, RudderStack, Hightouch |
| Data warehouse | BigQuery, Snowflake, Databricks |
| Reverse ETL | Hightouch, Census |
| Customer messaging | Customer.io, Braze, Intercom |
| Product tour | Userflow, Pendo, Appcues |
| Session replay | Hotjar, FullStory, PostHog |
Métricas do Growth PM
- % experimentos rodados/mês: >= 6 para time sênior
- Win rate: 30-40% (elite 50%)
- Lift agregado: soma dos lifts que foram ao ar
- Velocidade de learning: tempo médio de hipótese a decisão
- NSM growth: MoM / YoY
- Activation rate: depende do produto, mas >= 35% típico SaaS
Board Update do Growth PM
# Growth Update — Abril 2026
## North Star: Minutos úteis por usuário ativo
- **Abril**: 28.4 min/usuário (vs. 25.1 em Mar, +13%)
- **YoY**: +44%
## Funil (usuários novos)
- Signup → Activated: 42% (meta 45%, -3pp)
- Activated → Habit: 38% (meta 35%, +3pp)
- Free → Paid: 8.2% (meta 7%, +1.2pp)
## Experimentos do mês
- 9 rodados, 4 ganhos (44% win rate)
- Ganhos: Novo onboarding (+14% activation), Email D7 (+8% retention)
- Perdas: Paywall agressivo (-22% free → paid), Social proof no landing (neutro)
## Próximo mês
- Landscape de referral loop
- Refinar aha moment por persona
- Instrumentar cohort de power users
Perguntas-Chave
- "Qual é nosso aha moment — e quantos % dos usuários chegam lá?"
- "Se eu tivesse R$ 100k para investir em crescimento, onde iria primeiro?"
- "Nossa growth model depende de qual driver mais e o que acontece se ele quebrar?"
- "Estamos escalando retenção ou só aquisição?"
- "Qual experimento falhado mais informou o roadmap?"
Veja Também
product-manager-toolkit/ — PM tradicionalagile-product-owner/ — priorização e sprintsexperiment-designer/ — setup de experimentosproduct-analytics/ — instrumentação e dashboards../marketing-skill/ab-test-setup/ — experimentação marketing../c-level-advisor/cpo-advisor/ — estratégia de produto
