Turnaround de uma startup em cenário de alto churn e baixa ativação de clientes

Resumo executivo

Não quer ler o conteúdo todo? Veja o resumo executivo:

Descrição do projeto

Liderei o discovery de problema e solução em um cenário de alto churn e baixa ativação de clientes em uma startup de e-commerce bootstrapping, criamos uma solução de ChatBot com IA (Processamento de linguagem natural e Machine Learning).

Impactos e resultados

1. Aumento de 100% na receita recorrente em 1 ano;
2. +1000 restaurantes utilizando a solução em 1 ano;
3. Redução de ~50% no churn;
4. Redução do Time to Value e aumento do stickness.

Tecnologias e skills

Ou leia o case completo abaixo:

Problem Statement e contexto

Eu liderava Produto e UX em uma startup de e-commerce para restaurantes, nosso produto era uma plataforma white-label (que se tornou omni channel nos anos seguintes), ou seja, cada restaurante poderia ter seus canais próprios como aplicativo e web.

O foco da solução é aumentar as vendas do restaurante, reduzir custos com comissionamento de marketplaces e aumentar engajamento com a marca através de campanhas e CRM. Essa solução se tornou uma das principais plataformas de e-commerce para restaurantes no Brasil, México e Colômbia, com soluções digitais para todas as áreas de um restaurante, conforme imagem abaixo:

Figura 1: Solução digital completa para food service

O churn estava aumentando mês a mês, alcançando 6% a.m. e nosso time de onboarding não conseguia aumentar a taxa de ativação de clientes, não importando o quanto de energia que eles colocassem nisso.

Muitos restaurantes simplesmente começavam a ignorar nossos times após algumas semanas pós contratação e nosso time de onboarding estava tentando encontrar formas de reengaja-los, através de várias estratégias criadas.

Nosso orçamento e tempo era limitado, dado o fato que nossa atuação era 100% bootstrapping (operação financiada por recursos próprios) e éramos uma startup.

Principais Métricas:
- Taxa de ativação: Percentual dos clientes que recebem pelo menos 10 pedidos nos primeiros 60 dias;
- Churn: Quantidade de clientes que cancelaram dividido sobre a base de clientes.

Nós utilizamos vários métodos para entender a causa raíz do problema, levantamos hipóteses sobre o ICP, operacional, suporte, entrevistamos clientes e analisamos métricas. Não vou detalhar muito os métodos que utilizamos, mas sim qual foi a hipótese que validamos, solução criada e por fim os resultados gerados.

Discovery do problema

Nós descobrimos que o principal desafio em ativar os restaurantes era que nossa solução não era primária na maioria dos clientes (muitos deles já possuíam outros canais de pedidos como iFood, telefone, WhatsApp e etc), então o sucesso no uso da nossa solução dependia da maturidade do restaurante (o que conseguíamos influenciar, mas de forma limitada).

Imagina o seguinte:

Vamos personificar o José, dono de um restaurante que fatura R$ 100 mil por mês no delivery através do iFood, WhatsApp e telefone. O José tem algumas dores e nossa solução as resolve bem. Ele tem alto custo de comissão no iFood (paga pelo menos 12% sobre o faturamento no marketplace), e ele não possui acesso aos dados dos clientes do iFood (nem dos outros canais), que muitas vezes são recorrentes.

Isso significa que já existem clientes chegando no WhatsApp ou iFood e fazendo seus pedidos, a "máquina" já roda.

Apesar da oportunidade de redução de custo, e de gerar resultados através do CRM, para o José iniciar sua estratégia com seus canais próprios, ele precisa investir energia/dinheiro no início para divulgar esses canais e gerar demanda para seu e-commerce próprio.

É aí que está a dificuldade. O José e muitos outros ficavam encantados com a proposta de valor e solução, mas era engolido pelo redemoinho do dia a dia e despriorizava pouco tempo depois (o que nos gerava churn e prejuízo).

Quase 60% dos estabelecimentos de Food Service no país são MEI (gráfico abaixo), isso significa que boa parte do mercado endereçável é de pequenos negócios, e na maioria informais. Além disso, Food Service possui uma das mais altas taxas de mortalidade por CNAE (15,8% em 2021), o que nos gerava ~20% dos motivos de churn.

Figura 2: Distribuição de estabelecimentos de Food Service por regime tributário no Brasil

Dado o problema, começamos o discovery de solução para entender o que deveríamos fazer para contornar essa realidade do mercado e fazer o negócio voltar a crescer.

Discovery de solução

Levantamos algumas hipóteses de solução (como alterar ICP, por exemplo), mas ao falar com os restaurantes, nós percebíamos que existia alguns padrões em muitos deles.:

1 - Mais de 90% dos restaurantes que analisamos possuíam o WhatsApp como canal de atendimento (e quem não tinha gostaria de ter mas não utilizava por conta da operação);

2 - Muitos dos que utilizavam o WhatsApp relatavam dificuldades na operação, tendo já perdido pedidos por demora na resposta, erros no lançamento e reclamações;

3 - Além disso, como não existia uma automação para o WhatsApp, muitos mantinham funcionários focados no atendimento (alto custo $$).

Percebemos que, se tivéssemos alguma tecnologia que ajudasse o restaurante a otimizar sua operação do WhatsApp, de forma rápida e simples, poderíamos aumentar o stickness da solução, gerar mais valor e reduzir o TTV (time to value).

Definição do MVP

Só para lembrar, nossos recursos eram limitados e não tínhamos muito tempo, nossa operação era bootstrapping (financiada por recursos próprios), e uma hora o dinheiro ia acabar.

Ainda não existia IA generativa, mas definimos as seguintes premissas para a solução:

- A solução precisava ser minimamente inteligente, para responder as principais dúvidas dos consumidores;
- Totalmente integrado com a plataforma (cardápio, CRM, áreas de entrega e etc);
- Simples de configurar e escalável.

Decidimos que precisávamos pelo menos do core, uma solução que atendesse os consumidores automaticamente e direcionassem o consumidor para finalizar o pedido na web.

Desafios durante o processo de desenvolvimento

Tivemos vários desafios, mas destaco dois abaixo:

1 - Expertise técnica:
Não tínhamos muitos recursos ou especialistas em IA, NLP ou Machine Learning. Então tivemos que explorar o que competidores fora do país e mercado estavam fazendo (não existia ainda IA generativa, como temos hoje).
Essa análise nos permitiu entender quais tecnologias estavam disponíveis, e nos ajudou a acelerar o tempo para encontrar uma solução permitindo que pudéssemos desenvolver um MVP em algumas semanas para começar os testes.

2 - Precificação:
Tivemos alguns desafios sobre viabilidade financeira da solução, dado o fato que a API do WhatsApp cobra por sessão de 24h, nosso custo seria relevante e provavelmente não seríamos capaz de escalar o produto com essa barreira.

Após várias análises, nós conseguimos viabilizar um outro caminho criando um plugin do Chrome (o que evoluiu com o tempo), esse plugin conseguia gerenciar o WhatsApp web, o que viabilizou a integração sem ter a cobrança das sessões no WhatsApp. Esse mecanismo é amplamente utilizada no mercado até hoje.

Impacto e resultados

Desenvolvemos uma solução que utiliza Processamento de Linguagem Natural e Machine Learning (aprendizado não supervisionado). Dessa forma, nossa solução conseguia responder várias dúvidas comuns dos consumidores com linguagem natural, automatizando mais de 90% das interações com consumidores no WhatsApp e com uma taxa de conversão média global de ~25%.

Isso significa que a cada 100 conversas, o restaurante precisava interagir (na média) somente com 10 clientes, e 25 clientes finalizavam o pedido.

Além disso, fomos evoluindo a solução, permitindo que nossa IA fizesse atualização dos status do pedido, falasse sobre programa de fidelidade, identificava quando o consumidor precisava de ajuda ou estava irritado e o software já capturava os dados do consumidor automaticamente e vários outros facilitadores.

Essa solução foi essencial para o turnaround nos resultados do negócio. Em menos de um ano, a solução já era utilizada por mais de 1000 restaurantes, representando um aumento de +100% na receita recorrente. Reduzimos o churn para próximo de 6 para 3% a.m., e continuamos escalando o negócio até que a startup foi adquirida pela Linx alguns anos depois.

Além disso, aumentamos a taxa de ativação dos clientes em ~20% porque melhoramos muito o stickness da solução. Com nossa IA para o WhatsApp, o restaurante não precisava mais ter que divugar novos canais de vendas, ele só ativava a solução no WhatsApp, que já era um canal utilizado e com tráfego de clientes, dessa forma conseguimos reduzir muito o Time to Value e aumentar o valor percebido da solução.

Figura 3: Post nas redes sociais sobre a solução