CASE: Operational Graph
Product Discovery · Product Strategy · Systems Thinking · Product Vision
Como um Discovery sobre
rastreabilidade revelou uma
oportunidade para reinventar a
investigação operacional.
Durante um Discovery para estruturar a rastreabilidade da jornada dos
usuários, percebi que o verdadeiro problema não era coletar dados,
mas compreender rapidamente o que estava acontecendo quando uma
operação apresentava queda de performance.
Enquanto a demanda inicial era melhorar a rastreabilidade, a
investigação revelou uma oportunidade muito maior: criar uma nova
forma de investigar operações complexas a partir de contexto,
relacionamentos e histórico, em vez de navegar por dezenas de
ferramentas isoladas.
Como iniciativa exploratória, desenvolvi um protótipo navegável para
tangibilizar essa visão e reduzir as incertezas antes de qualquer
investimento em engenharia.
MEU PAPEL
Product Discovery · Product
Strategy · Product Design ·
Arquitetura da Informação ·
Product Vision · Prototipação
PRODUTO
Operational Graph —
Plataforma de Observabilidade
Operacional
ESCOPO
Discovery • Observabilidade • IA • Visualização de Dados • Design
de Interação
CONTEXTO
"As equipes conseguiam
acompanhar eventos. Mas
ninguém conseguia enxergar a
operação como um todo."
A descoberta que mudou o projeto
Durante o Discovery percebi que estávamos resolvendo apenas o sintoma.
O identificador único permitiria seguir a jornada dos usuários entre diferentes sistemas.
Mas ele não responderia perguntas como:
O que mudou?
Onde começou o problema?
Quem mais será impactado?
Qual alteração provocou esta queda?
Naquele momento a pergunta do projeto mudou completamente.
DEIXOU DE SER:
Como rastrear uma jornada?
E PASSOU A SER:
Como investigar qualquer operação sem depender de
dezenas de ferramentas e conhecimento tácito?
Foi dessa mudança de perspectiva que nasceu o Operational Graph.
Discovery
Conduzi entrevistas e conversas com diferentes áreas para entender como investigações
aconteciam na prática.
Em vez de partir da estrutura dos sistemas existentes, concentrei o Discovery nas perguntas que
as pessoas tentavam responder durante uma investigação.
Os principais insights foram organizados utilizando How Might We, transformados em
necessidades através de Jobs To Be Done e priorizados utilizando MoSCoW.
ARTEFATOS
How Might We
•
Como investigar uma operação sem navegar entre
diferentes sistemas?
•
Como visualizar relações entre ativos?
•
Como identificar impactos antes que afetem outras
operações?
•
Como reduzir a dependência de conhecimento tácito?
Jobs To Be Done
Quando uma operação apresenta comportamento
inesperado, quero compreender rapidamente o que
mudou para identificar a causa raiz antes que gere
impacto para o negócio.
As Is - To Be
Comparação conceitual entre o processo de investigação atual e a experiência proposta, mostrando como contexto unificado, alertas e IA podem reduzir o esforço para identificar causas e apoiar decisões.
MoSCoW
Must
Grafo interativo
Busca universal
Timeline operacional
Should
Alertas inteligentes
Assistente de investigação
Could
Recomendações
automáticas
Simulações de impacto
Won't
Gestão operacional
Cadastro completo de ativos
Uma nova forma de investigar
operações
A solução não consistia em substituir todos os sistemas existentes.
Ela consistia em conectar contexto.
Inspirado em ferramentas como Datadog, Grafana e Miro, imaginei uma experiência onde
qualquer investigação pudesse começar por qualquer ativo da operação.
Em vez de navegar por menus e cadastros, o usuário navegaria por relações.
Mais do que administrar informações, o produto buscava responder perguntas.
O que mudou?
O que pode estar causando esta queda?
Quais operações dependem deste ativo?
Onde devo começar minha investigação?
Product Principles
Comece pela pergunta, não
pelo sistema.
A navegação acompanha o
raciocínio do usuário.
Contexto antes de cadastro.
Relacionamentos importam mais
do que registros isolados.
Toda operação possui
dependências.
Visualizar conexões reduz o
esforço cognitivo durante
investigações.
Mudanças precisam ser
explicáveis.
Toda alteração deve possuir
histórico e contexto.
IA apoia a investigação.
A inteligência artificial sugere hipóteses e resume evidências, mas a decisão continua
sendo humana.
O experimento
Para validar essa visão, desenvolvi um protótipo navegável simulando toda a experiência do
produto.
O conceito incluía:
Grafo interativo
Busca global
Timeline sincronizada
Análise de impacto
Alertas inteligentes
Drawer contextual
Investigação assistida por IA
O objetivo não era construir um MVP funcional.
Era transformar uma hipótese estratégica em uma experiência concreta capaz de orientar futuras
decisões de produto.
Este projeto reforçou uma mudança importante na minha forma de pensar produto.
O maior valor do Discovery não foi responder à demanda inicial.
Foi perceber que estávamos resolvendo o problema errado.
Ao transformar uma hipótese em um protótipo navegável, consegui explorar uma nova direção de
produto, reduzir incertezas e tangibilizar uma oportunidade que dificilmente surgiria apenas
através de documentação ou discussões técnicas.
Embora essa visão não tenha evoluído para implementação, ela representa uma capacidade que
levo para outros projetos: usar Discovery para redefinir problemas, construir clareza e orientar
decisões estratégicas antes que recursos sejam investidos.
O pedido era criar rastreabilidade.
O Discovery revelou um problema
muito maior.
O projeto começou durante uma iniciativa para criar um identificador único capaz de acompanhar
a jornada dos usuários entre diferentes etapas do funil.
À medida que investigava como as equipes trabalhavam, percebi que cada área possuía apenas
uma parte da história. Mesmo quando os dados existiam, entender por que uma operação havia
perdido performance exigia reconstruir manualmente o contexto entre sistemas, pessoas e
processos.
O problema não era a falta de dados.
Era a dificuldade de conectar esses dados para responder perguntas simples.
Hipóteses
H1
A visualização em grafo reduz o esforço para
compreender operações complexas.
H2
Contexto gera mais valor do que cadastros
isolados.
H3
Investigações devem começar por qualquer ativo
da operação.
H4
Uma visão integrada gera mais valor do que
múltiplos sistemas especializados.
Aprendizados