November 17, 2026
Machine Learning e priorização de funcionalidades em produtos digitais: um estudo de caso em uma fintech
Thainá Campos Schichi; Ingrid De Matos Martins
DOI: 10.22167/2675-6528-202603943
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
Uma análise investigou o potencial da utilização de técnicas de machine learning aplicadas à análise do comportamento dos usuários na priorização de funcionalidades em produtos digitais. O objetivo foi compreender os processos de priorização utilizados na prática, o papel dos dados comportamentais na tomada de decisão e as percepções sobre a aplicação de técnicas de machine learning nesse contexto. Adotou-se uma abordagem qualitativa e exploratória, estruturada como um estudo de caso em produtos desenvolvidos sob o modelo Software as a Service (SaaS). A coleta de dados realizou-se por meio de entrevistas semiestruturadas com profissionais das áreas de produto e de dados. A análise dos dados seguiu a técnica de análise de conteúdo. Os resultados indicaram que, embora os dados comportamentais já fossem utilizados como apoio à decisão, os processos de priorização ainda apresentavam baixa formalização e enfrentavam limitações técnicas e organizacionais. Observou-se, também, o reconhecimento do potencial do machine learning como suporte estratégico à priorização de funcionalidades, embora sua aplicação prática fosse incipiente. Como principal contribuição, o estudo propôs um modelo conceitual que integra dados comportamentais, processos de priorização e o uso de machine learning como suporte à decisão.
Palavras-chave: Análise de dados; Comportamento do usuário; Dados comportamentais; Software as a Service (SaaS); Tomada de decisão.
1. Introdução
Nos últimos anos, os produtos digitais, especialmente aqueles desenvolvidos sob o modelo Software as a Service (SaaS), assumiram um papel central nas operações organizacionais e na experiência dos usuários. Essa forma de entrega consolidou-se por seu potencial de escalabilidade, atualização contínua e integração entre tecnologia e estratégia de negócio (Erviö, 2025; Kotler et al., 2017). Longe de se limitarem a soluções tecnológicas estáticas, os produtos digitais configuram-se como experiências dinâmicas e em constante evolução, moldadas pelas interações dos usuários e pelas decisões das equipes de produto a cada nova entrega (Iuskevich et al., 2021). Em ambientes SaaS, o produto é continuamente aprimorado a partir de dados de uso, feedback e métricas de adoção, tornando-se um sistema vivo que reflete o comportamento real dos clientes (Erviö, 2025).
Diante desse cenário, a gestão de funcionalidades emerge como um desafio não apenas técnico, mas também estratégico. A decisão sobre o que desenvolver, aprimorar ou descontinuar exige critérios consistentes e alinhamento entre o valor gerado para o usuário e os objetivos da organização (DigitalOcean, 2025; Pragmatic Institute, 2024). Embora a literatura e as boas práticas recomendem o uso de métodos estruturados de priorização orientados por dados, como o framework RICE (Reach, Impact, Confidence e Effort), evidências de mercado indicam que as decisões de roadmap ainda são frequentemente influenciadas por intuição, experiência prévia ou pressões organizacionais (Productboard, 2024).
Em contraposição a essas abordagens mais subjetivas, o uso de dados comportamentais dos usuários tem se destacado como uma alternativa capaz de contribuir para tornar o processo de priorização mais objetivo e centrado no usuário. A análise de métricas como frequência de uso, fluxos de navegação, pontos de abandono e padrões de recorrência permite compreender de forma mais precisa como os usuários interagem com o produto, contribuindo para decisões mais informadas e alinhadas ao valor percebido (Pendo, 2024; Pingax, 2024). O comportamento do usuário, por sua vez, deve ser compreendido como um processo dinâmico, influenciado por fatores contextuais, emocionais e funcionais (Lemon; Verhoef, 2016; Venkatesh et al., 2003).
Nesse contexto, as técnicas de Machine Learning (ML) apresentam-se como ferramentas promissoras, ainda que sua aplicação prática varie conforme o nível de maturidade analítica das organizações. Machine Learning refere-se a um conjunto de métodos estatísticos e computacionais que permitem a identificação de padrões em grandes volumes de dados, possibilitando a geração de previsões e classificações sem a necessidade de regras explicitamente programadas (Domingos, 2015; Géron, 2019). No contexto de produtos digitais, essas técnicas são aplicadas em diversas frentes, como segmentação de usuários, predição de churn, detecção de comportamentos atípicos e personalização de experiências, sendo também exploradas como suporte à tomada de decisão em backlog de produto (Chen et al., 2012).
A aplicação de técnicas de machine learning à priorização de funcionalidades sugere a possibilidade de uma abordagem mais orientada por evidências, capaz de considerar não apenas o que os usuários declaram, mas principalmente o que efetivamente fazem ao interagir com o produto (Croll; Yoskovitz, 2013). Equipes de produto de alto desempenho são aquelas capazes de equilibrar valor para o usuário, viabilidade técnica e sustentabilidade do negócio, dimensões que podem ser mais bem compreendidas com o apoio de dados (Cagan, 2018). Apesar dos avanços na utilização de dados e técnicas analíticas em produtos digitais, ainda há uma lacuna na literatura no que se refere à aplicação de técnicas de machine learning especificamente no processo de priorização de funcionalidades, sobretudo considerando o comportamento real dos usuários como insumo decisório. Nesse sentido, observa-se a necessidade de investigações que integrem perspectivas técnicas e gerenciais, aproximando teoria e prática organizacional.
Diante desse cenário, este trabalho tem como objetivo analisar como técnicas de machine learning, aplicadas à análise do comportamento dos usuários, podem apoiar a priorização de funcionalidades em produtos digitais.
2. Material e Métodos
A presente pesquisa adotou uma abordagem de natureza qualitativa e exploratória, com o propósito de analisar como técnicas de machine learning podem apoiar a priorização de funcionalidades em produtos digitais, a partir da análise do comportamento dos usuários. Caracterizou-se como aplicada, buscando gerar conhecimento útil para a prática organizacional. Embora o foco principal tenha sido qualitativo, considerou-se a menção complementar a indicadores quantitativos simples, conforme relatados pelos participantes, sem configurar uma abordagem quantitativa estruturada.
A pesquisa classificou-se como exploratória, visando proporcionar maior familiaridade com o problema investigado e apoiar a formulação de interpretações iniciais sobre um fenômeno ainda pouco estruturado na literatura (Gil, 2019). A estratégia metodológica empregada foi o estudo de caso único, de natureza qualitativa. Essa escolha justificou-se pela necessidade de investigar aprofundadamente um fenômeno contemporâneo em seu contexto real, especialmente quando as fronteiras entre o fenômeno e o contexto não estavam claramente definidas (Yin, 2015).
O estudo concentrou-se na análise das percepções de profissionais das áreas de produto e de dados, atuantes em uma mesma organização. A unidade de análise foi uma empresa brasileira do setor de tecnologia, que desenvolve produtos digitais sob o modelo Software as a Service (SaaS). Essa organização, caracterizada como uma startup em fase de crescimento, atua no desenvolvimento contínuo de produtos digitais, onde a priorização de funcionalidades é um processo central e estratégico.
A amostra da pesquisa foi composta por seis participantes, selecionados por conveniência e acessibilidade. Foram entrevistados três profissionais da área de produto e três da área de dados, todos com experiência em produtos digitais no modelo SaaS. Os critérios de seleção consideraram a atuação direta ou indireta desses profissionais nos processos de priorização de funcionalidades em produtos digitais, buscando capturar diferentes perspectivas sobre o tema.
Como instrumento de coleta de dados, utilizaram-se entrevistas semiestruturadas, conduzidas com base em um roteiro comum, adaptado pontualmente à linguagem de cada área de atuação. As entrevistas tiveram como objetivo compreender os processos de priorização de funcionalidades, o papel dos dados comportamentais nessas decisões e as percepções dos profissionais sobre a utilização de técnicas de machine learning como suporte ao processo decisório. Os roteiros detalhados foram apresentados nos Apêndices A e B do trabalho original.
Previamente à realização das entrevistas, foram adotados cuidados éticos rigorosos. Apresentou-se aos participantes o objetivo da pesquisa, esclarecendo que o trabalho integrava um Trabalho de Conclusão de Curso. Garantiu-se o anonimato e a confidencialidade das informações fornecidas, assegurando que seriam utilizadas exclusivamente para fins acadêmicos. Adicionalmente, solicitou-se o consentimento para a gravação das entrevistas e o uso do conteúdo para análise científica.
A análise dos dados qualitativos coletados foi realizada por meio da técnica de análise de conteúdo, conforme proposta por Bardin (2016). O procedimento buscou identificar categorias temáticas, padrões recorrentes e relações entre as percepções dos entrevistados. A análise apresentou caráter exploratório, visando identificar padrões, convergências e contrastes entre as perspectivas dos profissionais das áreas de produto e de dados, contribuindo para a construção e o refinamento do modelo conceitual proposto pela pesquisa.
A organização dos dados para análise considerou tanto os blocos temáticos do roteiro de entrevistas quanto os temas emergentes identificados nas falas dos participantes. Essa abordagem permitiu uma análise integrada entre as evidências empíricas e o referencial teórico adotado. A definição das categorias de análise foi um passo metodológico crucial para estruturar a compreensão do fenômeno investigado, sem antecipar os achados específicos.
3. Resultados e Discussão
O presente estudo foi conduzido em uma empresa brasileira do setor de tecnologia, que atua no desenvolvimento de soluções digitais sob o modelo Software as a Service (SaaS). A organização oferece um software de gestão que integra funcionalidades operacionais com produtos financeiros, atendendo predominantemente ao mercado B2B, mas impactando também a experiência dos usuários finais (B2C). Fundada há aproximadamente cinco anos, a empresa opera com características de startup em crescimento, com foco em escalabilidade e evolução contínua do produto, empregando cerca de 180 colaboradores em equipes multidisciplinares.
A escolha dessa organização como unidade de análise justificou-se por seu contexto de desenvolvimento contínuo de produtos digitais, onde as decisões de priorização de funcionalidades são recorrentes e estratégicas. As informações institucionais sobre a empresa foram obtidas de fontes públicas, garantindo a contextualização do estudo de caso. A complexidade do ambiente de desenvolvimento, que combina gestão com serviços financeiros, torna a priorização de funcionalidades um desafio central e estratégico para o negócio.
A análise dos dados qualitativos coletados, realizada por meio da técnica de análise de conteúdo conforme Bardin (2016), permitiu a identificação de categorias temáticas, padrões recorrentes e relações entre as percepções dos entrevistados. A partir das entrevistas com profissionais das áreas de produto e de dados, os resultados foram organizados em quatro categorias principais, que refletem os elementos centrais do processo de priorização de funcionalidades em produtos digitais. Essas categorias são: Processos de priorização, Dados comportamentais, Limitações e Machine Learning.
A definição dessas categorias considerou tanto os blocos temáticos do roteiro de entrevistas quanto os temas emergentes nas falas dos participantes, proporcionando uma análise integrada entre as evidências empíricas e o referencial teórico. A categoria “Processos de priorização” abordou as abordagens utilizadas para definir funcionalidades, enquanto “Dados comportamentais” focou na utilização de métricas e comportamento dos usuários. A categoria “Limitações” identificou barreiras técnicas, organizacionais e analíticas, e “Machine Learning” explorou as percepções sobre o uso dessa tecnologia na priorização, permitindo uma discussão aprofundada do fenômeno investigado.
Caracterização das entrevistas realizadas
As entrevistas semiestruturadas foram realizadas com profissionais atuantes nas áreas de produto e dados da empresa, que desenvolve produtos digitais no modelo SaaS. A explicitação do perfil dos participantes, que incluíram gerentes e heads de produto e dados, contribuiu para a transparência metodológica e para a delimitação do alcance dos resultados. Os profissionais da área de produto possuem experiência consolidada na gestão de produtos digitais, com atuação direta em decisões de priorização, definição de “roadmap” e articulação com diferentes áreas organizacionais, frequentemente em ambientes de startups.
Os profissionais da área de dados, por sua vez, atuam predominantemente no suporte analítico às decisões, com foco em engenharia de dados, analytics e estruturação de informações. Sua participação na priorização ocorre de forma indireta, por meio da disponibilização, organização e análise de dados comportamentais dos usuários. Essa diversidade de perfis permitiu capturar tanto a visão estratégica e decisória da área de produto quanto a visão técnica e estrutural da área de dados, possibilitando uma análise abrangente sobre o uso de dados e o potencial de aplicação de técnicas de machine learning no contexto investigado.
As entrevistas foram conduzidas com base em um roteiro semiestruturado comum, com adaptações pontuais de linguagem conforme a área de atuação do participante. Essa abordagem preservou a comparabilidade entre as respostas e permitiu a identificação de padrões e contrastes entre os diferentes perfis analisados, enriquecendo a compreensão sobre os processos de priorização e o papel dos dados e do machine learning nesse cenário.
Processos de priorização: estrutura formal versus abordagem dinâmica
A análise das entrevistas evidenciou que os processos de priorização de funcionalidades, no contexto investigado, não seguem de forma rígida frameworks estruturados amplamente difundidos na literatura, como RICE, Kano ou MoSCoW. Em vez disso, observou-se a predominância de uma abordagem dinâmica, adaptativa e fortemente contextual, na qual diferentes critérios são mobilizados conforme a natureza da demanda e o momento do produto. Essa baixa formalização do processo e a adoção de um modelo híbrido de decisão foram características marcantes.
A base para a decisão de priorização combinava dados, experiência dos profissionais e estratégia, indicando uma maturidade analítica intermediária. O papel dos dados, embora relevante, não era determinante, e o processo se mostrava iterativo e não linear, com revisões constantes e adaptação ao contexto. A gestão de prioridades enfatizava a escolha do que não desenvolver, refletindo uma alocação estratégica de recursos, conforme a literatura sobre gestão de produtos (Pragmatic Institute, 2024).
Na perspectiva dos profissionais da área de dados, a priorização é frequentemente apoiada por análises que buscam estimar impacto e retorno das iniciativas, especialmente a partir de métricas quantitativas e indicadores de desempenho. Um entrevistado destacou a consideração da demanda e do impacto em métricas ou retorno financeiro, alinhando-se à literatura que enfatiza o uso de métricas como suporte à tomada de decisão em produtos digitais (Croll; Yoskovitz, 2013).
Contudo, essas práticas não se consolidam como um modelo estruturado e padronizado de priorização. As análises são conduzidas de forma situacional, variando conforme o contexto e a disponibilidade de dados, o que sugere um nível intermediário de maturidade analítica. Esse cenário é consistente com estudos que indicam que, mesmo em organizações orientadas por dados, decisões de “roadmap” permanecem influenciadas por fatores organizacionais e contextuais (Productboard, 2024).
A dinâmica de priorização também é evidenciada pela fala de um entrevistado da área de produto, que aponta a predominância de decisões baseadas em percepção e urgência, indicando um processo ainda em consolidação, marcado por baixa formalização e forte dependência de julgamento contextual. Observou-se, entretanto, um movimento de evolução, com a incorporação gradual de estimativas quantitativas e análises de impacto, ainda que de forma simplificada, sinalizando uma busca por maior embasamento.
Sob a ótica dos profissionais de produto, a priorização configura-se como um processo dinâmico, marcado por revisões constantes e pela necessidade de lidar com incertezas. Um entrevistado ressaltou que “toda escolha precisa ser bem fundamentada, mas ela sempre será minimamente arriscada”, evidenciando que, mesmo com o apoio de dados, a tomada de decisão envolve julgamentos subjetivos e “trade-offs” estratégicos. Esse aspecto reforça a perspectiva de Cagan (2018), que argumenta sobre o equilíbrio entre valor para o usuário, viabilidade técnica e sustentabilidade do negócio.
Adicionalmente, as evidências indicam que a priorização ocorre em múltiplas camadas, iniciando-se a partir de direcionamentos estratégicos e sendo refinada por análises de impacto e validações com base no comportamento e feedback dos usuários. O processo “começa com uma direção estratégica e depois vai sendo ajustado com base nos dados e no que os usuários mostram”, sugerindo um modelo híbrido de decisão, onde elementos “top-down” (estratégia) e “bottom-up” (dados e comportamento) coexistem.
Outro aspecto relevante identificado refere-se à importância das decisões de não priorização. Conforme destacado, “às vezes é mais importante saber o que não fazer do que o que fazer”, evidenciando que o processo de priorização envolve também a gestão de restrições e a definição de foco. Essa perspectiva está alinhada à literatura de gestão de produtos, que enfatiza a priorização como um mecanismo de alocação estratégica de recursos escassos (Pragmatic Institute, 2024).
De forma geral, os achados indicam que a priorização de funcionalidades, no contexto analisado, não se configura como um processo prescritivo baseado em frameworks, mas como uma prática organizacional dinâmica, iterativa e situada, fortemente influenciada pela interação entre dados, experiência dos profissionais e direcionamento estratégico. Essa abordagem flexível e sensível às demandas do ambiente é consistente com a literatura nacional sobre gestão de produtos digitais (Torres, 2019; Eis, 2020), que enfatiza a priorização como um processo estratégico condicionado pela maturidade organizacional e pelo contexto de negócio.
Papel dos dados comportamentais na priorização
A análise das entrevistas evidenciou que os dados comportamentais dos usuários ocupam um papel central no suporte à priorização de funcionalidades em produtos digitais, sendo amplamente reconhecidos como insumo relevante para a tomada de decisão. No entanto, sua utilização ocorre de maneira heterogênea, variando conforme o nível de maturidade analítica e a área de atuação dos profissionais, o que indica uma maturidade analítica intermediária na organização.
Na perspectiva dos profissionais da área de dados, observou-se uma abordagem mais orientada à mensuração quantitativa do uso do produto, com foco em métricas como frequência de acesso, intensidade de uso e interações com funcionalidades específicas. São analisados “quais funcionalidades são usadas com frequência e o comportamento dentro da aplicação”, evidenciando uma preocupação com a identificação de padrões objetivos de utilização, alinhada à literatura que destaca a importância da análise de dados de uso para compreender o valor percebido pelo usuário (Croll; Yoskovitz, 2013).
De forma complementar, a perspectiva da área de produto evidencia uma ampliação na diversidade e profundidade dos dados comportamentais considerados, incluindo métricas de engajamento, uso por funcionalidades e análise de interações específicas após o lançamento de novas funcionalidades. Um entrevistado relatou que “a gente olha muito o quanto o produto está sendo usado, número de módulos utilizados e também acompanha a utilização de novas funcionalidades para validar hipóteses de impacto”, indicando um uso mais granular dos dados.
Sob a ótica dos profissionais de produto, os dados comportamentais são interpretados de forma contextualizada, sendo utilizados para compreender a jornada do usuário como um todo. Destacam-se análises de funis, segmentações e padrões de comportamento ao longo de diferentes etapas de uso, permitindo acompanhar o comportamento “desde o acesso até a execução de ações específicas dentro do produto”. Essa diferença de abordagem evidencia uma complementaridade entre as áreas, onde dados fornecem profundidade analítica e produto incorpora interpretação contextual e visão estratégica, consistente com a necessidade de combinar dados quantitativos e qualitativos (Lemon; Verhoef, 2016).
Além do uso descritivo dos dados, alguns entrevistados destacam a aplicação desses insumos para antecipação de comportamentos futuros, especialmente em análises relacionadas à retenção de usuários. Um exemplo citado refere-se à identificação de sinais de “churn” a partir de mudanças nos padrões de uso, indicando uma evolução no uso dos dados, que passam de uma função descritiva para uma função preditiva. Adicionalmente, observa-se o uso de segmentações e agrupamentos de usuários com comportamentos semelhantes, permitindo análises mais direcionadas e contextualizadas para identificar necessidades específicas de diferentes perfis de usuários.
Sob a perspectiva da área de dados, a coleta tende a ser altamente abrangente e sistemática, incluindo praticamente todas as interações realizadas pelos usuários na plataforma. Um entrevistado destacou que “a gente pega basicamente tudo que o usuário faz […] todo clique, toda ação dentro da plataforma pode ser medida”, evidenciando um alto nível de instrumentação dos sistemas e forte capacidade de coleta e armazenamento de dados comportamentais para análises detalhadas sobre o uso do produto.
No entanto, apesar dessa ampla disponibilidade de dados, sua utilização ocorre predominantemente para análises descritivas e validação de funcionalidades, não sendo plenamente explorada em aplicações preditivas ou em abordagens analíticas mais avançadas. Esse achado reforça a ideia de que, embora as organizações avancem na adoção de uma cultura orientada por dados, ainda existem limitações relacionadas à operacionalização desse uso no contexto prático, especialmente no contexto brasileiro, onde a maturidade analítica e a integração entre áreas ainda são desafios (Eis, 2020).
De forma geral, os dados comportamentais configuram-se como um insumo estratégico relevante para a priorização de funcionalidades, contribuindo para uma compreensão mais precisa do comportamento do usuário e para a redução de incertezas no processo decisório. No entanto, sua efetividade depende da capacidade das organizações de integrar análise técnica, interpretação contextual e direcionamento estratégico, o que ainda se apresenta como um desafio em contextos reais de desenvolvimento de produtos digitais. A transição para uma cultura orientada por dados exige não apenas investimento em tecnologia, mas também o desenvolvimento de competências analíticas e mudanças na mentalidade organizacional (Davenport; Harris, 2007).
Limitações técnicas, organizacionais e analíticas
Apesar do reconhecimento unânime acerca da relevância dos dados comportamentais no apoio à priorização de funcionalidades, a análise das entrevistas evidenciou a existência de limitações significativas que dificultam sua utilização plena no contexto organizacional. Essas limitações manifestam-se em três dimensões principais: técnica, organizacional e analítica, e são intensificadas no contexto brasileiro devido a desafios estruturais relacionados à maturidade digital das organizações (Eis, 2020; Torres, 2019).
Do ponto de vista técnico, uma das principais barreiras identificadas refere-se à qualidade e à estruturação dos dados disponíveis. Os entrevistados apontaram dificuldades relacionadas à instrumentação adequada das plataformas, especialmente na captura de eventos relevantes para análise. Em alguns casos, funcionalidades importantes não possuem rastreamento consistente, comprometendo a visibilidade sobre o comportamento do usuário, com “eventos importantes não são capturados ou não estão bem implementados”, limitando a capacidade de análise e geração de insights confiáveis.
A integração entre diferentes fontes de dados foi destacada como um desafio recorrente, resultando em sistemas desconectados e uma visão fragmentada. A ausência de padronização entre identificadores, sistemas e estruturas de dados dificulta a consolidação de informações e a construção de uma visão unificada do usuário. Esse cenário reduz a confiabilidade das análises e aumenta o esforço necessário para preparação dos dados, deslocando o foco das equipes de atividades estratégicas para tarefas operacionais.
Essa limitação também se estende à própria estrutura dos dados e à sua evolução ao longo do tempo. Mudanças em sistemas e bases de dados podem impactar diretamente a consistência das análises, uma vez que “alterações em tabelas, colunas ou classificações acabam quebrando análises e dashboards existentes”, exigindo constantes ajustes técnicos. Tal dinâmica é particularmente comum em ambientes de startup, nos quais sistemas e processos estão em constante evolução, ampliando significativamente a complexidade da gestão e governança dos dados.
No âmbito organizacional, observou-se que a utilização de dados ainda enfrenta barreiras relacionadas à cultura e à capacitação das equipes, resultando em baixa cultura de dados e subutilização. Nem todos os profissionais envolvidos no processo de priorização possuem familiaridade com ferramentas analíticas ou com a interpretação de dados, o que limita sua adoção na tomada de decisão. A “dificuldade na utilização de eventos e na interpretação dos dados disponíveis” indica que a presença de dados, por si só, não garante sua efetiva utilização, reforçando a necessidade de desenvolvimento de competências analíticas e mudança de mentalidade organizacional (Davenport; Harris, 2007).
Outro elemento relevante refere-se à dinâmica operacional das organizações, especialmente em ambientes de alta pressão por entrega, como startups e empresas digitais. A necessidade de responder rapidamente a demandas do negócio frequentemente leva à priorização de decisões mais intuitivas e menos embasadas em análises aprofundadas, resultando em menor aprofundamento. Esse contexto reduz o tempo disponível para exploração dos dados e favorece abordagens mais pragmáticas, ainda que menos estruturadas, com a pressão por velocidade impactando a decisão.
Sob a perspectiva analítica, destacou-se que, mesmo quando os dados estão disponíveis e acessíveis, sua interpretação não é trivial, exigindo a capacidade de formular perguntas analíticas adequadas e de contextualizar os dados dentro dos problemas de negócio. A geração de insights relevantes depende dessa capacidade analítica, como observado nas entrevistas, nas quais o valor dos dados está diretamente relacionado à forma como são utilizados, e não apenas à sua existência. Adicionalmente, os entrevistados apontam que a análise de dados comportamentais pode não capturar integralmente aspectos subjetivos do comportamento do usuário, reforçando a necessidade de complementar os dados quantitativos com abordagens qualitativas.
Percepções sobre “machine learning” na priorização
No que se refere à aplicação de técnicas de machine learning na priorização de funcionalidades, os resultados evidenciaram uma percepção heterogênea entre os entrevistados, marcada por três dimensões principais: reconhecimento de potencial, cautela quanto à aplicabilidade prática e presença de barreiras técnicas e organizacionais. Essa abordagem ainda se encontra em estágio inicial, sendo percebida mais como uma possibilidade futura do que como uma prática consolidada.
Na perspectiva dos profissionais da área de dados, observou-se uma postura mais conservadora em relação ao uso de machine learning como suporte direto à priorização. Os entrevistados indicaram dificuldades em visualizar aplicações práticas imediatas, especialmente em função da complexidade envolvida na construção, manutenção e interpretação de modelos. Além disso, destacou-se a percepção de que modelos baseados exclusivamente em dados históricos podem apresentar limitações em contextos dinâmicos, nos quais o comportamento do usuário e as necessidades do negócio estão em constante transformação (Domingos, 2015).
Apesar dessas limitações, alguns entrevistados reconhecem o potencial do machine learning como ferramenta de apoio à tomada de decisão. Um entrevistado destacou que “modelos de machine learning podem ajudar bastante na priorização, principalmente para organizar grandes volumes de dados e identificar padrões”, indicando uma percepção positiva quanto ao seu potencial de aplicabilidade futura. Essa visão reforça a compreensão de que o machine learning pode atuar como um recurso complementar à análise humana, ampliando a capacidade de interpretação de dados complexos e contribuindo para a geração de insights mais robustos (Géron, 2019).
Entre as possíveis aplicações mencionadas ou inferidas a partir das entrevistas, destacam-se o uso de modelos para identificação de padrões de comportamento, segmentação avançada de usuários e apoio à definição de foco estratégico. Essas aplicações indicam uma aproximação com o uso de machine learning já consolidado em áreas como predição de “churn”, recomendação de conteúdo e personalização de experiências, adaptado ao contexto de decisão em produto. No entanto, a efetiva incorporação do machine learning dependerá do avanço simultâneo em três dimensões: qualidade dos dados, capacidade analítica e maturidade organizacional.
Os entrevistados também apontaram riscos e restrições importantes associados ao uso dessas técnicas. Um dos principais pontos refere-se à baixa interpretabilidade dos modelos, frequentemente descritos como “caixas pretas”, o que dificulta a compreensão dos critérios utilizados para geração de recomendações. Essa limitação pode impactar a confiança das equipes nas decisões sugeridas, especialmente em contextos nos quais a transparência e a justificativa das escolhas são fundamentais.
Além disso, destaca-se a forte dependência da qualidade dos dados como fator crítico para o sucesso de modelos de machine learning. Considerando as limitações previamente identificadas na coleta e estruturação de dados, a aplicação dessas técnicas pode ser comprometida, reduzindo sua efetividade prática. Esse aspecto reforça a necessidade de maturidade analítica e infraestrutura adequada como pré-requisitos para a adoção de soluções mais avançadas, conforme apontado por Eis (2020).
Outro ponto relevante refere-se à limitação dessas abordagens em capturar aspectos subjetivos do comportamento humano, como motivações, expectativas e percepções dos usuários. Como a priorização de funcionalidades envolve não apenas o que os usuários fazem, mas também o que valorizam, o uso exclusivo de modelos baseados em dados pode levar a decisões incompletas ou enviesadas. Modelos preditivos tendem a ter limitações em cenários dinâmicos, pois “eles aprendem padrões do passado, mas não necessariamente capturam mudanças ou novas estratégias”, o que pode comprometer sua efetividade em decisões que envolvem inovação e experimentação.
Além das limitações analíticas, a adoção de machine learning também é percebida como um desafio do ponto de vista organizacional, especialmente em função dos custos envolvidos e da necessidade de profissionais especializados. A implementação desses modelos exige investimentos significativos e mão de obra qualificada, o que pode representar uma barreira estrutural relevante em empresas com menor maturidade analítica ou em estágio inicial de desenvolvimento. Essa realidade contribui para que o machine learning seja percebido predominantemente como uma abordagem emergente, ainda não consolidada na prática organizacional.
Com base na análise integrada das categorias discutidas, propõe-se um modelo conceitual que sintetiza as relações entre dados comportamentais, processos de priorização, limitações organizacionais e o papel do machine learning como suporte analítico à decisão. Este modelo ilustra um fluxo onde os dados comportamentais dos usuários alimentam processos de priorização dinâmicos e contextuais, que são influenciados por limitações técnicas, organizacionais e analíticas. O machine learning atua como suporte analítico, contribuindo para uma decisão de priorização que é, em última instância, um modelo híbrido, combinando dados, experiência e estratégia.
Nesse sentido, a evolução dos processos de priorização não depende exclusivamente da adoção de novas tecnologias, mas da construção de um ecossistema organizacional capaz de integrar dados, capacidades analíticas e julgamento humano de forma equilibrada e estratégica. O modelo proposto contribui para a literatura ao integrar dimensões frequentemente analisadas de forma isolada, como dados comportamentais, limitações organizacionais e capacidades analíticas. Ao articular esses elementos em uma perspectiva sistêmica, o modelo amplia a compreensão sobre o processo de priorização de funcionalidades, evidenciando o papel do machine learning como um suporte analítico inserido em um contexto organizacional complexo.
De forma integrada, os resultados deste estudo evidenciam que a priorização de funcionalidades em produtos digitais não pode ser compreendida como um processo exclusivamente técnico ou analítico, mas como uma prática organizacional complexa, situada na interseção entre dados, estratégia e experiência profissional. Essa constatação reforça a necessidade de abordagens híbridas, que combinem análise de dados, julgamento humano e alinhamento estratégico, especialmente no contexto brasileiro, onde desafios estruturais e culturais impactam a consolidação de práticas orientadas por dados. Assim, a efetiva aplicação do machine learning na priorização de funcionalidades configura-se como uma abordagem promissora, porém ainda em estágio inicial de maturidade, cuja efetiva aplicação depende da integração entre qualidade dos dados, capacidade analítica e maturidade organizacional, respondendo ao objetivo de analisar como essas técnicas podem apoiar a priorização de funcionalidades.
4. Conclusão
O presente estudo buscou analisar como técnicas de machine learning, aplicadas à análise do comportamento dos usuários, podem apoiar a priorização de funcionalidades em produtos digitais. Verificou-se que os processos de priorização, no contexto investigado, são dinâmicos e adaptativos, não seguindo rigidamente frameworks estruturados, mas combinando dados, experiência profissional e direcionamento estratégico. Observou-se que os dados comportamentais dos usuários desempenham um papel relevante, sendo utilizados principalmente para análises descritivas e validação de funcionalidades, embora sua exploração preditiva ainda fosse incipiente. Contudo, a utilização plena desses dados é limitada por desafios técnicos, como a qualidade e a integração das informações, e por barreiras organizacionais e analíticas, incluindo a baixa cultura de dados e a dificuldade de interpretação. No que tange ao machine learning, identificou-se um reconhecimento do seu potencial como suporte estratégico para organizar grandes volumes de dados e identificar padrões, mas sua aplicação prática ainda se encontra em estágio inicial, marcada por cautela devido à complexidade, baixa interpretabilidade dos modelos e dependência da qualidade dos dados.
Como principal contribuição, o estudo propôs um modelo conceitual que integra dados comportamentais, processos de priorização e o uso de machine learning como suporte à decisão, ampliando a discussão sobre a aplicação dessas técnicas na prática organizacional. Esse modelo destaca que a priorização de funcionalidades é uma prática complexa, que exige abordagens híbridas e a construção de um ecossistema organizacional capaz de integrar dados, capacidades analíticas e julgamento humano. As limitações da pesquisa incluem a adoção de um estudo de caso único, que restringe a generalização dos resultados, e a natureza qualitativa, que não permite a mensuração quantitativa dos impactos. Para estudos futuros, sugere-se a realização de pesquisas comparativas entre organizações com diferentes níveis de maturidade analítica e a incorporação de abordagens quantitativas para mensurar o impacto do uso de dados e técnicas de machine learning, bem como o aprofundamento em modelos híbridos de decisão que integrem dados, heurísticas e inteligência artificial.
Referências Bibliográficas
BARDIN, Laurence. Análise de conteúdo. São Paulo: Edições 70, 2016.
CAGAN, Marty. Inspired: como criar produtos que os clientes amam. Rio de Janeiro: Alta Books, 2018.
CHEN, Yong; PAVLOU, Paul A.; WENZEL, Jörg. Predicting customer churn in subscription services: an application of support vector machines while comparing descriptive analysis, logistic regression and decision trees. Decision Support Systems, v. 53, n. 3, p. 447–456, 2012.
CROLL, Alistair; YOSKOVITZ, Benjamin. Lean analytics: use data to build a better startup faster. Sebastopol: O’Reilly Media, 2013.
DAVENPORT, Thomas H.; HARRIS, Jeanne G. Competing on analytics: the new science of winning. Boston: Harvard Business School Press, 2007.
DIGITALOCEAN. How to prioritize your product roadmap. 2025. Disponível em: https://www.digitalocean.com/resources/articles/product-roadmap-prioritization. Acesso em: 3 nov. 2025.
DOMINGOS, Pedro. O algoritmo mestre: como a busca por um algoritmo universal de aprendizado de máquina vai mudar nossas vidas. São Paulo: HSM, 2015.
EIS, Diego. Gestão moderna de produtos digitais: o produto digital como um meio de entregar valor para o usuário e para o negócio. São Paulo: Casa do Código, 2020.
ERVIÖ, Mikko. Leveraging customer usage data for productization and strategic decision-making in SaaS product management. 2025. Dissertação (Mestrado) Aalto University, Espoo, 2025.
GIL, Antonio Carlos. Métodos e técnicas de pesquisa social. 7. ed. São Paulo: Atlas, 2019.
GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems. 2. ed. Sebastopol: O’Reilly Media, 2019.
IUSKEVICH, Ivan et al. A data-driven approach to user-experience-focused model-based roadmapping for new product planning. Proceedings of the Design Society, v. 1, p. 1–10, 2021.
KOTLER, Philip; KELLER, Kevin Lane. Administração de marketing. 15. ed. São Paulo: Pearson, 2017.
LEMON, Katherine N.; VERHOEF, Peter C. Understanding customer experience throughout the customer journey. Journal of Marketing, v. 80, n. 6, p. 69–96, 2016.
PENDO. The data-driven product manager’s handbook. Raleigh, NC: Pendo.io, 2024. Disponível em: https://go.pendo.io/rs/185-LQW-370/images/Data_Driven_Product_Manager_Handbook.pdf. Acesso em: 3 nov. 2025.
PINGAX. Building data-driven product roadmaps. 2024. Disponível em: https://pingax.com/skills/data-science-product-manager/product-management/building-data-driven-product-roadmaps. Acesso em: 3 nov. 2025.
PRAGMATIC INSTITUTE. Four methodologies for prioritizing product roadmaps. 2024. Disponível em: https://www.pragmaticinstitute.com/resources/articles/product/four-methodologies-for-prioritizing-product-roadmaps. Acesso em: 3 nov. 2025.
PRODUCTBOARD. Data-driven prioritization use case. 2024. Disponível em: https://www.productboard.com/use-cases/data-driven-prioritization. Acesso em: 3 nov. 2025.
TORRES, Guilherme. Product management para produtos digitais. 2. ed. São Paulo: Casa do Código, 2019.
VENKATESH, Viswanath; MORRIS, Michael G.; DAVIS, Gordon B.; DAVIS, Fred D. User acceptance of information technology: toward a unified view. MIS Quarterly, v. 27, n. 3, p. 425-478, 2003.
YIN, Robert K. Estudo de caso: planejamento e métodos. 5. ed. Porto Alegre: Bookman, 2015.
Artigo oriundo de Trabalho de Conclusão de Curso
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy