[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M7A35D44ETQVEREXZ2Y7AAVT":3,"skill-same:01M7A35D44ETQVEREXZ2Y7AAVT":53},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":30,"commitSha":31,"skillDirectory":32,"forksCount":33,"repositoryHtmlUrl":34,"repositoryHomepageUrl":6,"ownerHtmlUrl":35,"ownerBlogUrl":36,"ownerDescription":37,"updatedAt":38,"install":39,"resources":52},"01M7A35D44ETQVEREXZ2Y7AAVT","feature-launch-playbook",null,"Feature Launch Playbook — Skill especializada para feature launch playbook","diegojcn\u002Fagent-skill-pack","diegojcn","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F39829656?v=4","01M79YWFWBS7GQ1NC0FRSWE0QF","Diego Neves","01M79YWFWX7K7R5N28V61XYR6B",2,"MIT","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Flancamento-growth\u002Ffeature-launch-playbook\u002FSKILL.md",[],[],"2026-11-15 14:19:17",false,"---\nname: feature-launch-playbook\ndescription: \"Feature Launch Playbook — Skill especializada para feature launch playbook\"\nlicense: MIT\nmetadata:\n  version: 1.0.0\n  author: Cafe Code AI\n  category: 08-lancamento-growth\n  updated: 2026-03-01\nrisk: safe\n---\n\n# Feature Launch Playbook\n\nEsta skill equipa o Claude com um framework pragmático para planejar, executar e otimizar lançamentos de funcionalidades, maximizando ativação e retenção.\n\n---\n\n## Keywords\n\nLançamento de features, Go-to-Market (GTM) de feature, Aceleração de adoção, Ativação de produto, Retenção pós-lançamento, Ciclo de feedback de features, Growth hacking, Experimentação de lançamento, Análise de impacto de feature, Feature adoption.\n\n---\n\n## Quick Start\n\n1.  **Validação Pré-Lançamento com Early Adopters**: Antes de qualquer desenvolvimento, conduza entrevistas de 30 minutos com 5-10 usuários do segmento \"Ideal Customer Profile\" para validar a hipótese de valor da feature e identificar dores críticas não atendidas. Ex: \"Você usaria um painel de automação que reduz a entrada manual de dados em 50%?\"\n2.  **Configuração de Event Tracking**: Implemente eventos de rastreamento no Amplitude ou Mixpanel para `feature_viewed`, `feature_activated` (primeiro uso), e `key_action_within_feature` (ex: `automation_rule_created`) em até 2 dias após a finalização do escopo.\n3.  **Lançamento Segmentado com Feature Flag**: Utilize uma ferramenta como LaunchDarkly para liberar a feature `nova_automacao_email` para 10% da sua base de \"Early Adopters\" (usuários que se inscreveram para betas) nas primeiras 24 horas após o deploy.\n4.  **Monitoramento Imediato da Ativação**: Monitore a taxa de ativação (DAU\u002FMAU que usaram a feature) e o tempo médio para o primeiro uso nas primeiras 72 horas pós-lançamento via dashboard no Looker Studio. Acione alertas se a ativação estiver abaixo de 20%.\n\n---\n\n## Core Workflows\n\n### Workflow 1: Orquestração de Lançamento de Feature Gated (Acesso Exclusivo)\n\nEste workflow detalha o processo de lançamento de uma feature com acesso restrito a um segmento específico de usuários, ideal para features premium ou em fase de teste.\n\n1.  **Segmentação e Habilitação (Pré-lançamento)**:\n    *   **Identificação do Segmento**: No Braze, identifique 500 usuários do segmento \"Clientes Enterprise Ativos\" (ARPU > $1000, logados > 15 dias no mês) que expressaram interesse em automação.\n    *   **Configuração do Gate**: Configure a `feature_automacao_avancada_email` no LaunchDarkly para ser visível e funcional apenas para este segmento de 500 usuários. Defina um \"kill switch\" para desativar instantaneamente em caso de problemas críticos.\n    *   **Exemplo**: Para a feature \"Editor de Fluxos de Automação Visual\", o acesso é restrito a clientes do plano \"Enterprise Growth\" que já utilizam o módulo de \"Campanhas de E-mail\" há pelo menos 3 meses.\n\n2.  **Comunicação Direcionada (Lançamento)**:\n    *   **Criação do Conteúdo**: Redija um e-mail personalizado no Customer.io com o assunto \"Acesso Antecipado: Libere o Poder do Editor de Fluxos de Automação Visual!\" para o segmento pré-selecionado. O e-mail deve focar nos benefícios (ex: \"Crie sequências complexas em minutos, visualize todo o funil do cliente\") e incluir um CTA claro \"Acessar Agora\".\n    *   **In-App Message Contextual**: Configure uma mensagem in-app via Intercom para aparecer quando um usuário do segmento visitar a página de \"Automações\" pela primeira vez, informando sobre a nova funcionalidade.\n    *   **Exemplo**: O e-mail terá um link direto para `app.empresa.com\u002Fautomacao\u002Feditor-visual` e um vídeo-tutorial de 60 segundos incorporado, demonstrando a criação de um fluxo de boas-vindas.\n\n3.  **Monitoramento de Ativação e Engajamento (Pós-lançamento)**:\n    *   **Dashboard de Ativação**: Utilize um dashboard no Power BI para monitorar em tempo real a `taxa_de_ativacao_editor_visual` (usuários que acessaram o editor e criaram seu primeiro fluxo) e o `tempo_medio_primeiro_fluxo_criado`.\n    *   **Métrica Chave**: A meta de ativação para este segmento de elite é de 45% em 7 dias. Se a taxa cair abaixo de 30%, acionar o time de Sucesso do Cliente para follow-up proativo.\n    *   **Exemplo**: Se a `taxa_de_ativacao_editor_visual` estiver em 38% no terceiro dia, o time de Growth iniciará uma campanha de retargeting via push notification para os usuários que visualizaram o e-mail mas não ativaram, oferecendo um template de fluxo pronto.\n\n4.  **Coleta de Feedback e Iteração (Pós-lançamento)**:\n    *   **Pesquisa In-App Segmentada**: Após o usuário criar seu terceiro fluxo no editor, exiba um formulário de feedback NPS no Typeform perguntando \"Qual a probabilidade de você recomendar o Editor de Fluxos de Automação Visual a um colega?\"\n    *   **Entrevistas Qualitativas**: Agende 10 entrevistas de 45 minutos com usuários que ativaram e deram feedback negativo (NPS 0-6) para entender os pontos de fricção e \"jobs-to-be-done\" não atendidos.\n    *   **Exemplo**: Use mapas de calor e gravações de sessão do Hotjar na página do editor para identificar áreas de confusão ou elementos não clicados, direcionando melhorias de UX para a próxima sprint.\n\n### Workflow 2: Otimização Contínua de Adoção de Feature via Experimentação A\u002FB\n\nEste workflow foca em refinar a experiência de adoção de uma feature já lançada, utilizando testes A\u002FB para maximizar seu uso.\n\n1.  **Identificação de Gargalo (Análise)**:\n    *   **Análise do Funil**: No Google Analytics 4, observe o funil de adoção da feature \"Relatórios Personalizados\". Identifique que 55% dos usuários que clicam em \"Criar Novo Relatório\" abandonam o processo antes de selecionar as dimensões.\n    *   **Hipótese**: A interface inicial de seleção de dimensões é confusa ou exige muitos passos.\n    *   **Exemplo**: O funil mostra que de 1000 cliques em \"Criar Novo Relatório\", apenas 450 chegam à tela de \"Visualizar Relatório\", indicando uma queda significativa na etapa de configuração.\n\n2.  **Criação de Variações para Teste A\u002FB (Design)**:\n    *   **Variante A (Controle)**: Manter o fluxo atual de seleção de dimensões (lista de 50 opções com barra de busca simples).\n    *   **Variante B (Teste)**: Implementar um assistente de \"Quick Start\" que sugere 5 templates de relatórios pré-definidos (ex: \"Vendas Semanais\", \"Churn por Segmento\") e um filtro de categoria para dimensões (ex: \"Dados de Cliente\", \"Dados de Vendas\").\n    *   **Implementação**: Configure o A\u002FB test via Optimizely, direcionando 50% do tráfego de novos usuários para a Variante B.\n\n3.  **Execução do Teste e Coleta de Dados (Lançamento Controlado)**:\n    *   **Duração do Teste**: Rode o teste por 21 dias ou até atingir significância estatística (p-value \u003C 0.05 e intervalo de confiança de 95% para a métrica primária).\n    *   **Métricas Primárias**: `relatorio_criado_completamente_rate` (usuários que criaram e salvaram um relatório) e `tempo_para_primeiro_relatorio_salvo`.\n    *   **Métricas Secundárias**: `nps_feature_relatorios` e `uso_recorrente_relatorios_semanal`.\n    *   **Exemplo**: O teste é monitorado diariamente. Se a `relatorio_criado_completamente_rate` da Variante B atingir 35% contra 28% da Variante A após 15 dias, e o p-value for 0.02, a Variante B será considerada vencedora.\n\n4.  **Análise e Implementação (Pós-teste)**:\n    *   **Tomada de Decisão**: Se a Variante B demonstrar uma melhoria estatisticamente significativa, implemente-a para 100% dos usuários.\n    *   **Documentação dos Aprendizados**: Crie um documento no Confluence intitulado \"A\u002FB Test: Otimização Onboarding Relatórios Personalizados - Lições Aprendidas\" detalhando a hipótese, variações, resultados e próximos passos.\n    *   **Exemplo**: Após a implementação da Variante B, observe um aumento de 18% na criação de relatórios e uma redução de 1 minuto no `tempo_para_primeiro_relatorio_salvo`. Os próximos passos incluem testar a ordem dos templates pré-definidos.\n\n---\n\n## Templates\n\n### Template de Email de Lançamento de Feature Gated (Acesso Antecipado)\n\n```\nAssunto: 🚀 Exclusivo para Você: Sua Nova Análise Preditiva de Churn está Liberada!\n\nOlá [Nome do Usuário],\n\nTemos uma excelente notícia para você! Como um de nossos clientes Enterprise mais valiosos, você foi selecionado para ter acesso antecipado à nossa mais revolucionária funcionalidade: a **Análise Preditiva de Churn**.\n\nCom a Análise Preditiva de Churn, você poderá:\n- **Identificar Clientes em Risco com 90% de Precisão**: Receba alertas proativos e intervenha antes que seja tarde.\n- **Visualizar Fatores de Risco Chave**: Entenda os motivos por trás do churn através de gráficos intuitivos e recomendações acionáveis.\n- **Otimizar Estratégias de Retenção**: Crie campanhas segmentadas e personalizadas baseadas em dados preditivos para maximizar o LTV.\n\nSabemos que você valoriza a **retenção de clientes e a receita recorrente**, e essa feature foi criada pensando exatamente em como podemos te ajudar a superar suas metas.\n\n**Como Começar:**\n1.  Acesse sua conta agora: [Link Direto para a Feature na Plataforma]\n2.  Assista ao nosso rápido tutorial de 90 segundos para aproveitar ao máximo o poder da predição: [Link para Vídeo Tutorial no YouTube\u002FVimeo]\n\nSua opinião é fundamental para nós. Se tiver qualquer dúvida ou feedback inicial, nossa equipe de Sucesso do Cliente está à disposição para ajudar.\n\nAproveite a novidade e prepare-se para transformar sua estratégia de retenção!\n\nAtenciosamente,\n\nA Equipe [Nome da Empresa]\n```\n\n### Template de Relatório Pós-Lançamento de Feature\n\n```\n**Relatório Pós-Lançamento: Recomendações de Conteúdo A.I.**\n\n**Data do Lançamento:** 2024-05-15\n**Período de Análise:** 2024-05-15 a 2024-05-29 (14 dias)\n**Equipe Responsável:** Produto (João Silva), Growth (Maria Souza), Marketing (Carlos Ribeiro)\n\n**1. Objetivo do Lançamento:**\nAumentar a taxa de cliques (CTR) em conteúdos recomendados em 15% para usuários de planos Pro e Enterprise, com meta de 40% de ativação da feature em 7 dias (usuários que visualizaram e interagiram com 3+ recomendações).\n\n**2. Métricas Chave e Resultados:**\n-   **Usuários Alcançados (Total):** 15.000 (Segmento: Pro\u002FEnterprise)\n-   **Taxa de Ativação (7 dias):** 38% (Meta: 40%) - *Resultado: Ligeiramente abaixo da meta (2% de delta).*\n-   **CTR em Conteúdo Recomendado:** 18% (Benchmark: 15%; Meta: 20%) - *Resultado: Acima do benchmark, mas abaixo da meta.*\n-   **Uso Recorrente (DAU\u002FMAU após 7 dias):** 12% (Meta: 15%) - *Resultado: Abaixo da meta.*\n-   **Tempo Médio de Sessão com Feature:** 3 min 45 seg (Benchmark: 2 min) - *Resultado: Acima do benchmark, indicando engajamento inicial para quem ativa.*\n-   **NPS da Feature (Coletado via Intercom):** +28 (Benchmark: +35) - *Resultado: Abaixo do benchmark, sugere oportunidades de melhoria.*\n\n**3. Análise de Performance:**\n-   **Pontos Positivos:** O e-mail de lançamento teve uma taxa de abertura de 35% e um CTR de 10%, indicando bom interesse inicial. Usuários que ativaram a feature demonstraram engajamento considerável (tempo de sessão). O aumento do CTR em relação ao benchmark é promissor.\n-   **Pontos de Atenção:** A taxa de ativação ficou ligeiramente abaixo da meta. Observamos que 25% dos usuários que clicam no link do e-mail não chegam à página da feature devido a um problema de carregamento lento em navegadores mais antigos (identificado via Sentry). O NPS da feature sugere que a clareza da proposta de valor ou a qualidade das recomendações para alguns usuários ainda precisa ser otimizada. A retenção da feature também é um ponto de preocupação.\n\n**4. Ações Recomendadas (Próximos 7-14 dias):**\n1.  **Prioridade 1 (Engenharia):** Corrigir bug de carregamento lento em navegadores antigos (P0, ETA: 24h).\n2.  **Prioridade 2 (Produto\u002FUX):** Implementar um tour guiado de 3 passos na primeira ativação da feature para reforçar os benefícios e um botão \"O que é isso?\" para contextualizar as recomendações (Sprint atual).\n3.  **Prioridade 3 (Marketing\u002FGrowth):** Criar campanha de retargeting (push notification e e-mail) para usuários que clicaram mas não ativaram, com foco em um caso de uso específico (ex: \"Descubra conteúdos que seus concorrentes estão usando\").\n4.  **Prioridade 4 (Produto\u002FDados):** Realizar 5 entrevistas de 30 minutos com usuários com NPS baixo para entender os pontos de fricção específicos nas recomendações (ex: relevância, diversidade). Analisar logs de interação para otimizar o algoritmo de recomendação.\n\n**5. Próximos Passos:**\n-   Reavaliar métricas em 7 dias após a implementação das ações.\n-   Planejar A\u002FB test para o título do e-mail de retargeting e para a posição das recomendações na interface.\n-   Investigar a correlação entre a ativação da feature e o churn geral do cliente.\n```\n\n---\n\n## Checklist\n\n- [x] Validação da hipótese de valor da feature com 5-10 usuários-alvo através de entrevistas de problema\u002Fsolução.\n- [x] Definição clara das métricas de sucesso (ex: `activation_rate`, `churn_reduction`) e benchmarks para a feature.\n- [x] Configuração de Feature Flag (ex: LaunchDarkly) para controle de visibilidade e lançamento gradual.\n- [x] Implementação de eventos de rastreamento de ativação (`feature_viewed`, `feature_used_first_time`, `key_action_within_feature`) no Amplitude\u002FMixpanel.\n- [x] Criação de segmento de \"Early Adopters\" ou \"Beta Testers\" para o primeiro grupo de lançamento.\n- [x] Redação e agendamento de comunicação de lançamento (email, in-app message, push notification) com CTAs claros e focados em benefício.\n- [x] Preparação de dashboard de monitoramento em tempo real (ex: Looker Studio, Power BI) para as métricas da feature, com alertas configurados.\n- [x] Planejamento de canais de feedback (NPS in-app, Typeform, entrevistas) pós-lançamento.\n- [x] Treinamento da equipe de Suporte ao Cliente sobre a nova feature, incluindo FAQs e cenários de uso.\n- [x] Documentação interna (Confluence\u002FNotion) com roadmap pós-lançamento, próximos experimentos e lições aprendidas.\n- [x] Garantia de que a feature tem um \"kill switch\" funcional para revers","# Feature Launch Playbook\n\nEsta skill equipa o Claude com um framework pragmático para planejar, executar e otimizar lançamentos de funcionalidades, maximizando ativação e retenção.\n\n---\n\n## Keywords\n\nLançamento de features, Go-to-Market (GTM) de feature, Aceleração de adoção, Ativação de produto, Retenção pós-lançamento, Ciclo de feedback de features, Growth hacking, Experimentação de lançamento, Análise de impacto de feature, Feature adoption.\n\n---\n\n## Quick Start\n\n1.  **Validação Pré-Lançamento com Early Adopters**: Antes de qualquer desenvolvimento, conduza entrevistas de 30 minutos com 5-10 usuários do segmento \"Ideal Customer Profile\" para validar a hipótese de valor da feature e identificar dores críticas não atendidas. Ex: \"Você usaria um painel de automação que reduz a entrada manual de dados em 50%?\"\n2.  **Configuração de Event Tracking**: Implemente eventos de rastreamento no Amplitude ou Mixpanel para `feature_viewed`, `feature_activated` (primeiro uso), e `key_action_within_feature` (ex: `automation_rule_created`) em até 2 dias após a finalização do escopo.\n3.  **Lançamento Segmentado com Feature Flag**: Utilize uma ferramenta como LaunchDarkly para liberar a feature `nova_automacao_email` para 10% da sua base de \"Early Adopters\" (usuários que se inscreveram para betas) nas primeiras 24 horas após o deploy.\n4.  **Monitoramento Imediato da Ativação**: Monitore a taxa de ativação (DAU\u002FMAU que usaram a feature) e o tempo médio para o primeiro uso nas primeiras 72 horas pós-lançamento via dashboard no Looker Studio. Acione alertas se a ativação estiver abaixo de 20%.\n\n---\n\n## Core Workflows\n\n### Workflow 1: Orquestração de Lançamento de Feature Gated (Acesso Exclusivo)\n\nEste workflow detalha o processo de lançamento de uma feature com acesso restrito a um segmento específico de usuários, ideal para features premium ou em fase de teste.\n\n1.  **Segmentação e Habilitação (Pré-lançamento)**:\n    *   **Identificação do Segmento**: No Braze, identifique 500 usuários do segmento \"Clientes Enterprise Ativos\" (ARPU > $1000, logados > 15 dias no mês) que expressaram interesse em automação.\n    *   **Configuração do Gate**: Configure a `feature_automacao_avancada_email` no LaunchDarkly para ser visível e funcional apenas para este segmento de 500 usuários. Defina um \"kill switch\" para desativar instantaneamente em caso de problemas críticos.\n    *   **Exemplo**: Para a feature \"Editor de Fluxos de Automação Visual\", o acesso é restrito a clientes do plano \"Enterprise Growth\" que já utilizam o módulo de \"Campanhas de E-mail\" há pelo menos 3 meses.\n\n2.  **Comunicação Direcionada (Lançamento)**:\n    *   **Criação do Conteúdo**: Redija um e-mail personalizado no Customer.io com o assunto \"Acesso Antecipado: Libere o Poder do Editor de Fluxos de Automação Visual!\" para o segmento pré-selecionado. O e-mail deve focar nos benefícios (ex: \"Crie sequências complexas em minutos, visualize todo o funil do cliente\") e incluir um CTA claro \"Acessar Agora\".\n    *   **In-App Message Contextual**: Configure uma mensagem in-app via Intercom para aparecer quando um usuário do segmento visitar a página de \"Automações\" pela primeira vez, informando sobre a nova funcionalidade.\n    *   **Exemplo**: O e-mail terá um link direto para `app.empresa.com\u002Fautomacao\u002Feditor-visual` e um vídeo-tutorial de 60 segundos incorporado, demonstrando a criação de um fluxo de boas-vindas.\n\n3.  **Monitoramento de Ativação e Engajamento (Pós-lançamento)**:\n    *   **Dashboard de Ativação**: Utilize um dashboard no Power BI para monitorar em tempo real a `taxa_de_ativacao_editor_visual` (usuários que acessaram o editor e criaram seu primeiro fluxo) e o `tempo_medio_primeiro_fluxo_criado`.\n    *   **Métrica Chave**: A meta de ativação para este segmento de elite é de 45% em 7 dias. Se a taxa cair abaixo de 30%, acionar o time de Sucesso do Cliente para follow-up proativo.\n    *   **Exemplo**: Se a `taxa_de_ativacao_editor_visual` estiver em 38% no terceiro dia, o time de Growth iniciará uma campanha de retargeting via push notification para os usuários que visualizaram o e-mail mas não ativaram, oferecendo um template de fluxo pronto.\n\n4.  **Coleta de Feedback e Iteração (Pós-lançamento)**:\n    *   **Pesquisa In-App Segmentada**: Após o usuário criar seu terceiro fluxo no editor, exiba um formulário de feedback NPS no Typeform perguntando \"Qual a probabilidade de você recomendar o Editor de Fluxos de Automação Visual a um colega?\"\n    *   **Entrevistas Qualitativas**: Agende 10 entrevistas de 45 minutos com usuários que ativaram e deram feedback negativo (NPS 0-6) para entender os pontos de fricção e \"jobs-to-be-done\" não atendidos.\n    *   **Exemplo**: Use mapas de calor e gravações de sessão do Hotjar na página do editor para identificar áreas de confusão ou elementos não clicados, direcionando melhorias de UX para a próxima sprint.\n\n### Workflow 2: Otimização Contínua de Adoção de Feature via Experimentação A\u002FB\n\nEste workflow foca em refinar a experiência de adoção de uma feature já lançada, utilizando testes A\u002FB para maximizar seu uso.\n\n1.  **Identificação de Gargalo (Análise)**:\n    *   **Análise do Funil**: No Google Analytics 4, observe o funil de adoção da feature \"Relatórios Personalizados\". Identifique que 55% dos usuários que clicam em \"Criar Novo Relatório\" abandonam o processo antes de selecionar as dimensões.\n    *   **Hipótese**: A interface inicial de seleção de dimensões é confusa ou exige muitos passos.\n    *   **Exemplo**: O funil mostra que de 1000 cliques em \"Criar Novo Relatório\", apenas 450 chegam à tela de \"Visualizar Relatório\", indicando uma queda significativa na etapa de configuração.\n\n2.  **Criação de Variações para Teste A\u002FB (Design)**:\n    *   **Variante A (Controle)**: Manter o fluxo atual de seleção de dimensões (lista de 50 opções com barra de busca simples).\n    *   **Variante B (Teste)**: Implementar um assistente de \"Quick Start\" que sugere 5 templates de relatórios pré-definidos (ex: \"Vendas Semanais\", \"Churn por Segmento\") e um filtro de categoria para dimensões (ex: \"Dados de Cliente\", \"Dados de Vendas\").\n    *   **Implementação**: Configure o A\u002FB test via Optimizely, direcionando 50% do tráfego de novos usuários para a Variante B.\n\n3.  **Execução do Teste e Coleta de Dados (Lançamento Controlado)**:\n    *   **Duração do Teste**: Rode o teste por 21 dias ou até atingir significância estatística (p-value \u003C 0.05 e intervalo de confiança de 95% para a métrica primária).\n    *   **Métricas Primárias**: `relatorio_criado_completamente_rate` (usuários que criaram e salvaram um relatório) e `tempo_para_primeiro_relatorio_salvo`.\n    *   **Métricas Secundárias**: `nps_feature_relatorios` e `uso_recorrente_relatorios_semanal`.\n    *   **Exemplo**: O teste é monitorado diariamente. Se a `relatorio_criado_completamente_rate` da Variante B atingir 35% contra 28% da Variante A após 15 dias, e o p-value for 0.02, a Variante B será considerada vencedora.\n\n4.  **Análise e Implementação (Pós-teste)**:\n    *   **Tomada de Decisão**: Se a Variante B demonstrar uma melhoria estatisticamente significativa, implemente-a para 100% dos usuários.\n    *   **Documentação dos Aprendizados**: Crie um documento no Confluence intitulado \"A\u002FB Test: Otimização Onboarding Relatórios Personalizados - Lições Aprendidas\" detalhando a hipótese, variações, resultados e próximos passos.\n    *   **Exemplo**: Após a implementação da Variante B, observe um aumento de 18% na criação de relatórios e uma redução de 1 minuto no `tempo_para_primeiro_relatorio_salvo`. Os próximos passos incluem testar a ordem dos templates pré-definidos.\n\n---\n\n## Templates\n\n### Template de Email de Lançamento de Feature Gated (Acesso Antecipado)\n\n```\nAssunto: 🚀 Exclusivo para Você: Sua Nova Análise Preditiva de Churn está Liberada!\n\nOlá [Nome do Usuário],\n\nTemos uma excelente notícia para você! Como um de nossos clientes Enterprise mais valiosos, você foi selecionado para ter acesso antecipado à nossa mais revolucionária funcionalidade: a **Análise Preditiva de Churn**.\n\nCom a Análise Preditiva de Churn, você poderá:\n- **Identificar Clientes em Risco com 90% de Precisão**: Receba alertas proativos e intervenha antes que seja tarde.\n- **Visualizar Fatores de Risco Chave**: Entenda os motivos por trás do churn através de gráficos intuitivos e recomendações acionáveis.\n- **Otimizar Estratégias de Retenção**: Crie campanhas segmentadas e personalizadas baseadas em dados preditivos para maximizar o LTV.\n\nSabemos que você valoriza a **retenção de clientes e a receita recorrente**, e essa feature foi criada pensando exatamente em como podemos te ajudar a superar suas metas.\n\n**Como Começar:**\n1.  Acesse sua conta agora: [Link Direto para a Feature na Plataforma]\n2.  Assista ao nosso rápido tutorial de 90 segundos para aproveitar ao máximo o poder da predição: [Link para Vídeo Tutorial no YouTube\u002FVimeo]\n\nSua opinião é fundamental para nós. Se tiver qualquer dúvida ou feedback inicial, nossa equipe de Sucesso do Cliente está à disposição para ajudar.\n\nAproveite a novidade e prepare-se para transformar sua estratégia de retenção!\n\nAtenciosamente,\n\nA Equipe [Nome da Empresa]\n```\n\n### Template de Relatório Pós-Lançamento de Feature\n\n```\n**Relatório Pós-Lançamento: Recomendações de Conteúdo A.I.**\n\n**Data do Lançamento:** 2024-05-15\n**Período de Análise:** 2024-05-15 a 2024-05-29 (14 dias)\n**Equipe Responsável:** Produto (João Silva), Growth (Maria Souza), Marketing (Carlos Ribeiro)\n\n**1. Objetivo do Lançamento:**\nAumentar a taxa de cliques (CTR) em conteúdos recomendados em 15% para usuários de planos Pro e Enterprise, com meta de 40% de ativação da feature em 7 dias (usuários que visualizaram e interagiram com 3+ recomendações).\n\n**2. Métricas Chave e Resultados:**\n-   **Usuários Alcançados (Total):** 15.000 (Segmento: Pro\u002FEnterprise)\n-   **Taxa de Ativação (7 dias):** 38% (Meta: 40%) - *Resultado: Ligeiramente abaixo da meta (2% de delta).*\n-   **CTR em Conteúdo Recomendado:** 18% (Benchmark: 15%; Meta: 20%) - *Resultado: Acima do benchmark, mas abaixo da meta.*\n-   **Uso Recorrente (DAU\u002FMAU após 7 dias):** 12% (Meta: 15%) - *Resultado: Abaixo da meta.*\n-   **Tempo Médio de Sessão com Feature:** 3 min 45 seg (Benchmark: 2 min) - *Resultado: Acima do benchmark, indicando engajamento inicial para quem ativa.*\n-   **NPS da Feature (Coletado via Intercom):** +28 (Benchmark: +35) - *Resultado: Abaixo do benchmark, sugere oportunidades de melhoria.*\n\n**3. Análise de Performance:**\n-   **Pontos Positivos:** O e-mail de lançamento teve uma taxa de abertura de 35% e um CTR de 10%, indicando bom interesse inicial. Usuários que ativaram a feature demonstraram engajamento considerável (tempo de sessão). O aumento do CTR em relação ao benchmark é promissor.\n-   **Pontos de Atenção:** A taxa de ativação ficou ligeiramente abaixo da meta. Observamos que 25% dos usuários que clicam no link do e-mail não chegam à página da feature devido a um problema de carregamento lento em navegadores mais antigos (identificado via Sentry). O NPS da feature sugere que a clareza da proposta de valor ou a qualidade das recomendações para alguns usuários ainda precisa ser otimizada. A retenção da feature também é um ponto de preocupação.\n\n**4. Ações Recomendadas (Próximos 7-14 dias):**\n1.  **Prioridade 1 (Engenharia):** Corrigir bug de carregamento lento em navegadores antigos (P0, ETA: 24h).\n2.  **Prioridade 2 (Produto\u002FUX):** Implementar um tour guiado de 3 passos na primeira ativação da feature para reforçar os benefícios e um botão \"O que é isso?\" para contextualizar as recomendações (Sprint atual).\n3.  **Prioridade 3 (Marketing\u002FGrowth):** Criar campanha de retargeting (push notification e e-mail) para usuários que clicaram mas não ativaram, com foco em um caso de uso específico (ex: \"Descubra conteúdos que seus concorrentes estão usando\").\n4.  **Prioridade 4 (Produto\u002FDados):** Realizar 5 entrevistas de 30 minutos com usuários com NPS baixo para entender os pontos de fricção específicos nas recomendações (ex: relevância, diversidade). Analisar logs de interação para otimizar o algoritmo de recomendação.\n\n**5. Próximos Passos:**\n-   Reavaliar métricas em 7 dias após a implementação das ações.\n-   Planejar A\u002FB test para o título do e-mail de retargeting e para a posição das recomendações na interface.\n-   Investigar a correlação entre a ativação da feature e o churn geral do cliente.\n```\n\n---\n\n## Checklist\n\n- [x] Validação da hipótese de valor da feature com 5-10 usuários-alvo através de entrevistas de problema\u002Fsolução.\n- [x] Definição clara das métricas de sucesso (ex: `activation_rate`, `churn_reduction`) e benchmarks para a feature.\n- [x] Configuração de Feature Flag (ex: LaunchDarkly) para controle de visibilidade e lançamento gradual.\n- [x] Implementação de eventos de rastreamento de ativação (`feature_viewed`, `feature_used_first_time`, `key_action_within_feature`) no Amplitude\u002FMixpanel.\n- [x] Criação de segmento de \"Early Adopters\" ou \"Beta Testers\" para o primeiro grupo de lançamento.\n- [x] Redação e agendamento de comunicação de lançamento (email, in-app message, push notification) com CTAs claros e focados em benefício.\n- [x] Preparação de dashboard de monitoramento em tempo real (ex: Looker Studio, Power BI) para as métricas da feature, com alertas configurados.\n- [x] Planejamento de canais de feedback (NPS in-app, Typeform, entrevistas) pós-lançamento.\n- [x] Treinamento da equipe de Suporte ao Cliente sobre a nova feature, incluindo FAQs e cenários de uso.\n- [x] Documentação interna (Confluence\u002FNotion) com roadmap pós-lançamento, próximos experimentos e lições aprendidas.\n- [x] Garantia de que a feature tem um \"kill switch\" funcional para revers",{"name":5,"risk":24,"license":15,"metadata":25,"description":7},"safe",{"author":26,"updated":27,"version":28,"category":29},"Cafe Code AI",1772323200000,"1.0.0","08-lancamento-growth","main","96f1c49829cef14a9744366f020b54c27ce1e8fc","lancamento-growth\u002Ffeature-launch-playbook",0,"https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack","https:\u002F\u002Fgithub.com\u002Fdiegojcn","https:\u002F\u002Fbdconsult.net.br\u002F","Just a guy who believes anything is possible to do or learn.","2026-08-01 20:29:22",{"source":8,"skillName":5,"commands":40,"prompt":50,"zipAvailable":51},[41,44,47],{"tool":42,"command":43},"npx","npx skills add diegojcn\u002Fagent-skill-pack --skill feature-launch-playbook",{"tool":45,"command":46},"bunx","bunx skills add diegojcn\u002Fagent-skill-pack --skill feature-launch-playbook",{"tool":48,"command":49},"pnpm","pnpm dlx skills add diegojcn\u002Fagent-skill-pack --skill feature-launch-playbook","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Flancamento-growth\u002Ffeature-launch-playbook\u002FSKILL.md",true,[],[54,62,69,76,85,93],{"skillNo":55,"name":56,"nameZh":6,"description":57,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":58,"licenseFileUrl":6,"sourceHtmlUrl":59,"categories":60,"keywords":61,"publishedAt":19},"01M7A5F6060M1CMYXA32MAB5YK","clarity-gate","Pre-ingestion verification for epistemic quality in RAG systems. Ensures documents are properly qualified before entering knowledge bases. Produces CGD (Clarity-Gated Documents) and validates SOT (Source of Truth) files.","CC-BY-4.0","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fworkflow\u002Fclarity-gate\u002FSKILL.md",[],[],{"skillNo":63,"name":64,"nameZh":6,"description":65,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":66,"categories":67,"keywords":68,"publishedAt":19},"01M7A5B3X23ME7CTA3B29C18EN","skill-check","Validate Claude Code skills against the agentskills specification. Catches structural, semantic, and naming issues before users do.","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fskill-check\u002FSKILL.md",[],[],{"skillNo":70,"name":71,"nameZh":6,"description":72,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":73,"categories":74,"keywords":75,"publishedAt":19},"01M7A5B06YPKDW1NQQ1185MME5","peon-ping-use","Set which voice pack (character voice) plays for the current chat session. Automatically enables session_override rotation mode if not already set. Use when user wants a specific character voice like GLaDOS, Peon, or Kerrigan for this conversation.","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fpeon-ping-use\u002FSKILL.md",[],[],{"skillNo":77,"name":78,"nameZh":6,"description":79,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":80,"licenseFileUrl":81,"sourceHtmlUrl":82,"categories":83,"keywords":84,"publishedAt":19},"01M7A5A24ANPXAK25W1BZB18TX","mcp-builder","Guide for creating high-quality MCP (Model Context Protocol) servers that enable LLMs to interact with external services through well-designed tools. Use when building MCP servers to integrate exte...","Apache-2.0","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fmcp-builder\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fmcp-builder\u002FSKILL.md",[],[],{"skillNo":86,"name":87,"nameZh":6,"description":88,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":80,"licenseFileUrl":89,"sourceHtmlUrl":90,"categories":91,"keywords":92,"publishedAt":19},"01M7A553V4A3J4YKMCE7PYQX8X","webapp-testing","Toolkit for interacting with and testing local web applications using Playwright. Supports verifying frontend functionality, debugging UI behavior, capturing browser screenshots, and viewing browse...","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fsoftware-development\u002Fwebapp-testing\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fsoftware-development\u002Fwebapp-testing\u002FSKILL.md",[],[],{"skillNo":94,"name":95,"nameZh":6,"description":96,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":97,"categories":98,"keywords":99,"publishedAt":19},"01M7A53PZ7PJEMS2YVPJW3XN44","test-driven-development","TDD: enforce RED-GREEN-REFACTOR, tests before code.","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fsoftware-development\u002Ftest-driven-development\u002FSKILL.md",[],[]]