O documento descreve a estratégia de crescimento B2B da Loggi, focada em um funil de vendas que envolve equipes de vendas. Detalha como a equipe de growth usa dados e experimentos para otimizar continuamente o processo de aquisição de clientes, como ao melhorar o formulário de cadastro para aumentar as conversões.

1. Funil de growth
B2B high touch
e aplicações de BI
Thiago Oliveira - PM de Growth
Dezembro de 2018

2. 1. Thiago
2. Loggi
3. Estratégia de growth B2B high touch
4. Inbound e Outbound
5. Squad Growth @ Loggi
6. Casos de uso de dados para growth
7. Q&A
Sumário
2

3. 3
Objetivo: mostrar como atuamos num funil de growth B2B,
onde onde a equipe de vendas é parte essencial no crescimento
do produto, e apresentar casos de como utilizamos dados e
"growth mindset" para otimização contínua

4. Thiago Oliveira
4
Formação
● Turismo
● BI
● MBA
● Um monte de cursos (SM, PO, MGM 3.0, PHP)
● PM, Growth, AI
Experiência
● Vendedor
● PM offline
● "Tipo" empreendedor
● PM 4x
● Diretor Comercial
● PM 2x
● DMC, Runrun.it, NuvemShop, CargoX, Loggi
PM de Growth @ Loggi

5. 5
Nossa missão: conectar o
Brasil com tecnologia

6. Sumário
6
Loggi para
e-commerces

7. Condumoto
Seguro de vida
Licença da Prefeitura
7
Loggi para
empresas

8. 8
Loggi para
restaurantes

9. 9
Estratégia de aquisição é diferente
entre os casos de uso

10. 10
Estratégia de aquisição
Inbound + Outbound
Inbound
1. Demonstrou interesse
2. Você precisa descobrir se é seu ICP
Outbound
1. É seu ICP
2. Você precisa descobrir se tem/gerar interesse
Otimizar pela boa Qualificação Otimizar pela boa Prospecção
Equipe de vendas

11. 11
Estratégia de aquisição
Inbound + Outbound
Inbound (performance)
● Custo do lead > custo das pessoas envolvidas
● CAC menor, CAC Recovery mais curto
● Ciclo de vendas mais curto
● Crescimento não é linear, canais saturam
● Ticket mais baixo
Outbound (DBM)
● Custo das pessoas envolvidas > custo do lead
● CAC maior, CAC Recovery mais longo
● Ciclo de vendas mais longo
● Crescimento linear até esgotar o mercado ICP
● Ticket mais alto

12. 12
Aquisições high touch
são custosas, se você
tentar fazer contato
humano com todos os
seus leads, você não
escala

13. 13
Growth Squad @ Loggi
Vendas
CEO CPO
CS
(pós-vendas)
BizDev
(Pré-Vendas)
Outros
stakeholders
● Daily syncs
● Weekly syncs
● Monthly checkpoints
PM Devs
(Back e Front)
Marketing
(Perf + DBM)
Data Design
(UX e UI)

14. 14
Atuação em todo o funil
Demanda
BizDev
Vendas 2 Vendas n...Vendas 1
Customer Success
PM Devs
(Back e Front)
Marketing
(Perf + DBM)
Data Design
(UX e UI)

15. 15
O squad de Growth não é
um squad de geração de
demanda, ele atua na
otimização de todo o funil

16. 16
Framework de growth
baseado em experimentos
1. Experimentos pontuais e isolados para
encontrarmos as variáveis que alteram positiva ou
negativamente cada conversão
2. Priorização com base em custo estimado vs
ganho potencial para identificar quick wins
(estágio de início de um projeto de growth)
3. Hipóteses baseadas em dados para que o sucesso
ou insucesso seja medido de forma objetiva
4. MVPs de timebox limitado para identificarmos
rapidamente os experimentos de insucesso ou
impacto negativo (70%)
5. Experimentos de sucesso podem gerar guidelines,
PBIs mais estruturados, mudanças de processo,
etc.
Crédito: http://growthtribe.com
GROWS
Gather Ideas
Rank ideas
Outline Exps
Work
Study Data

17. 17
Processo de trabalho / growth mindset
G. Coleta R. Priorização O. Formalização W. In progress S. Resultados Done
Fase do Funil: X
OMTM: Y
Leading Indicator: Z
Fase do Funil: X
OMTM: Y
Leading Indicator: Z
Fase do Funil: X
OMTM: Y
Leading Indicator: Z
Fase do Funil: X
OMTM: Y
Leading Indicator: Z
Fase do Funil: X
OMTM: Y
Leading Indicator: Z
Fase do Funil: X
OMTM: Y
Leading Indicator: Z
Fase do Funil: X
OMTM: Y
Leading Indicator: Z
Fase do Funil: X
OMTM: Y
Leading Indicator: Z
Fase do Funil: X
OMTM: Y
Leading Indicator: Z
Fase do Funil: X
OMTM: Y
Leading Indicator: Z
Fase do Funil: X
OMTM: Y
Leading Indicator: Z
Fase do Funil: X
OMTM: Y
Leading Indicator: Z
Fase do Funil: X
OMTM: Y
Leading Indicator: Z
Fase do Funil: X
OMTM: Y
Leading Indicator: Z

18. 18
Formalização da
ideia/hipótese/feature
• Nós acreditamos que… (suposição simples e
testável)
• Para verificar isso, vamos… (descrição do
experimento)
• E medir… (resultados quantitativos ou
qualitativos que serão medidos)
• Se estivermos certos… (critério mínimo de
sucesso para esse experimento)

19. 19
O squad growth tem um
papel de direção e serviço
com o comercial. O
resultado de experimentos
de sucesso podem ser
features, mas também
propostas, guidelines e
orientações a vendas e CS

20. 20
Cases

21. 21
Utilizando dados e
machine learning para
melhorar o signup e
aumentar inbound leads
high potential
Caso 1

22. 22
Otimização de signup
● Objetivo: aumentar a quantidade de leads High Performance através de performance
marketing
● Problema: quando direcionadas ao nosso site pelas campanhas, das pessoas que iniciam
o signup, apenas 32% o terminam (via Google Analytics > funil de pageviews)
● Decisão: não adianta investir em gerar demanda quando ⅔ dessa grana está sendo
"jogada fora" em signups incompletos por deficiências do formulário

23. 23
Otimização de signup

24. 24
Otimização de signup
Passo 1: Google Analytics para identificar em qual passo do signup tínhamos maior drop.
Resultado:
● identificamos que nosso signup completion rate era de 32%
● identificamos 3 steps do gargalo em que as pessoas mais deixavam o site
● identificamos que havia muitos casos de saída do fluxo para outra parte do site

25. 25
Otimização de signup

26. 26
Otimização de signup
Passo 2: Hotjar para observação das sessões de signup
Resultado:
● identificamos que no step de CNPJ, as pessoas muitas vezes saíam e voltavam depois
● identificamos que muitas vezes as pessoas, no meio do fluxo, exploravam o site via
header e, assim, dropavam do signup
● Identificamos que o exemplo de preenchimento no campo endereço estava atrapalhando
e outras melhorias visuais de UX/UI
● Identificamos que pessoas esqueciam que já tinham cadastro e, no meio do signup,
lembravam

27. 27
Otimização de signup
Passo 3: Salvar os dados de signup incomplete, mas quais são mais importantes?
Processo:
● Base de clientes dos últimos 4 anos
● Uso do software Dataiku para análise de regressão logística (sem conhecimento em
Python, R, etc.)
Resultado:
● Identificamos dados que mais influenciavam na performance do cliente no primeiro ano:
○ Quantas entregas você faz por mês?
○ CNAE da empresa (segmento de atuação)
○ Bairro da empresa

28. 28
Otimização de signup
Ações:
1. Movemos os 3 steps de maior gargalo (drop) para o fim do signup
2. Removemos o header após início do signup, mantendo "já sou cadastrado"
3. Melhorias visuais (UX/UI) nos formulários
4. Reordenamos e reagrupamos os campos para salvar parcialmente as informações mais
importante primeiro

29. 29
Otimização de signup

30. 30
Otimização de signup

31. 31
Otimização de signup

32. 32
Otimização de signup

33. 33
Otimização de signup

34. 34
Otimização de signup
Resultados finais:
1. Signup complete: 32% > 78%
2. E os outros 22%? Salvamos parcialmente e geramos leads para BizDev qualificar
3. Aumento de leads NESTE FORM:
a. Média histórica: 1.5k
b. Julho: 1.6k
c. Novembro: 3.2k
4. Consigo fazer lead scoring baseado na chance de um cliente ser High Performer em 1 ano
5. Enquanto o novo signup era desenvolvido, fizemos uma LP somente com as informações
essenciais. Agora sabemos quais são.

35. 35
Otimização de signup
Quem coordenou a evolução do signup?
Oswaldo miguel - UX

36. 36
O impacto do response
time na taxa de
resposta dos clientes
Caso 2

37. 37
Response time vs taxa de resposta
● Objetivo: automatizar a comunicação de leads com menor potencial de High
Performance
● Problema: com o aumento de demanda e a escalada da empresa, cada vez menos
conseguimos falar com todos os leads. Nosso Response Time começou a levar dias…
● Decisão: montamos comunicações automáticas (email) simulando uma SDR (Maju) e
apoiando vendedores e SDRs no contato com o cliente

38. 38
Response time vs taxa de resposta
Passo 1: Construção de réguas automáticas de comunicação utilizando o Marketing Cloud
Detalhes:
● fizemos uma régua de comunicação via email (piso frio) para novos leads
● foco em explicar o valor da Loggi e gerar uma resposta de interesse do cliente ou
direcioná-lo para a criação de conta
● setamos como meta o cliente responder o email ou se converter em uma conta

39. 39
Response time vs taxa de resposta
Passo 2: Aplicamos a régua em duas populações de leads
Detalhes:
● população 1: leads criados há mais de 1 dia (frios)
● população 2: leads criados há menos de 1 dia (quentes)

40. 40
Response time vs taxa de resposta
Passo 3: Comparamos a taxa de atingimento da meta das 2 réguas
Detalhes:
● A diferença entre elas é que uma começou imediatamente na criação do lead, a outra
mais de 1 dia depois.

41. 41
Response time vs taxa de resposta
Resultado: Response time imediato gera 3.5x mais conversão
Ações:
● Acrescentamos como guideline para a operação que o response time deve ser priorizado.
● Foi criada uma área de BizDev para melhorar Response Time.
● Passamos a fazer réguas de comunicação com início imediato:

42. 42
Response time vs taxa de resposta
Quem coordenou esse experimento?
Heitor Forner - DBM

43. 43
Uso de Machine Learning
para prever se um cliente
vai fazer upsell ou churn
nos próximos 6 meses com
base no comportamento
dos últimos 6 meses
Experimento WIP
Fernanda Queiroz - BI

44. 44
loggathon.com.br
Data: 15/12 a 16/12 Local: Alameda Santos 2.400 - SP

45. 45
Obrigado!
thiago.oliveira@loggi.com
+55 (11) 96842-6193

46. 46
Vem pra Loggi, você importa!
linkedin.com/company/loggi www.bit.ly/VagasLoggi