---

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: 2026-04-23 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):

1. Retention FIRST — sem retenção, nada importa
2. Activation — amplifica retenção
3. Referral e Revenue — amplia o que funciona
4. Acquisition — escala só depois de o resto funcionar

Activation Engineering

Aha moment: primeira ação que correlaciona com retenção de longo prazo.

Como descobrir:

1. Defina "retido" (ex: ativo no D90)
2. Olhe ações dos retidos no D1-D14
3. Teste correlações: "usuários que fizeram X dentro de Y tempo retêm Z×"
4. Facebook (clássico): 7 amigos em 10 dias
5. 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:

# Exemplo: teste de conversão baseline 5%, MDE 10% (lift relativo)
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))

# 5% baseline, 10% lift desejado → 15.721 por variante

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):

# Inputs
paid_traffic = 50_000  # visitantes/mês
organic_traffic = 30_000
direct_traffic = 15_000

# Taxas
signup_rate_paid = 0.03
signup_rate_organic = 0.05
signup_rate_direct = 0.08
activation_rate = 0.40  # signup → ativado
paid_conversion = 0.10  # ativado → pagando
retention_1y = 0.85

# Outputs
signups = (
    paid_traffic * signup_rate_paid
    + organic_traffic * signup_rate_organic
    + direct_traffic * signup_rate_direct
)  # = 4.200
activated = signups * activation_rate  # = 1.680
paying = activated * paid_conversion  # = 168
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:

1. Free plan / trial real (não mutilado)
2. Onboarding guiado (checklist, tooltips, templates)
3. Expansion triggers (limites que incentivam upgrade)
4. In-product upgrade path (paywall contextual)
5. 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 tradicional
• agile-product-owner/ — priorização e sprints
• experiment-designer/ — setup de experimentos
• product-analytics/ — instrumentação e dashboards
• ../marketing-skill/ab-test-setup/ — experimentação marketing
• ../c-level-advisor/cpo-advisor/ — estratégia de produto