❯ /hypotheses
⠋ Seguindo o skill hypothesisGeneration. Reading context...
MCPgrowth-brain.get_principles() → 3 princípios · LTV/CAC, payback, cashflow
MCPgrowth-brain.get_skill_template("hypothesisGeneration") → template carregado
FS_initiatives/creditto/learnings.md → 12 learnings ativos
SQLgrowth_mart.usuarios, transacoes_lifecycle → 4 queries · 1.8s
✓ 6 hipóteses priorizadas · fonte: equação de crescimento v2 (Creditto)
Retenção (impacto 68% do LTV)
─────────────────────────────────────────────
H1 ICE 9.3 Fluxo de cancelamento com oferta de retenção
Voluntário = 80% do churn · 1.540/mês · sem fluxo hoje.
Baseline setor: 15–25% save rate → projeção +231–385 saves/mês.
H3 ICE 8.7 Purgar afiliados com M6 < 15%
28% dos afiliados trazem 54% da base mas M6 médio 11%.
Realocar budget → melhora CAC blended 16–22%.
H2 ICE 6.8 Régua de renovação anual 60/30/7 dias
95% do churn anual = "expired" (não renovou, não é falha cartão).
⚠ learning #7: muitos "expirados" voltam ao mensal → recalcular uplift.
H4 ICE 6.2 Ativação assistida nos 7 primeiros dias
Gargalo M0→M1 = 20–30pp · 58% dos novos nunca pegaram crédito digital.
Bloqueador: tabela de eventos do produto ainda não disponível.
H6 ICE 5.4 Renegociar / segmentar influencer Marina Costa
Conversão trial→pago 75–79% (excelente), mas sobrevida 11m ≈ 33%
(igual ao resto). Converte bem, não retém melhor.
H5 FECHADA Investigar inflexão ago-set/25
Causa confirmada: instabilidade de bureau de crédito + fila de suporte.
Próximas decisões:
1. H1 é a maior alavanca. Recomendo spec de fluxo pra próxima call.
2. H3 depende de corte de afiliado — decisão política, não técnica.
3. H4 fica em standby até tabela de eventos do produto ficar pronta.
❯
❯ /retentionDrilldown
⠋ Executando skill retentionDrilldown...
MCPgrowth-brain.get_framework("retentionModel") → equação retenção · buckets MECE
MCPgrowth-brain.get_glossary_term("NURR") → NURR vs CURR
SQLtransacoes_lifecycle · particionamento por transaction_type → 3.1s
✓ Drill-down completo · base ativa 47.820 · MRR R$1,19M
BUCKETS MECE — últimos 5 meses (nov/25 → mar/26)
───────────────────────────────────────────────────
new +3.180/mês └─ trial→paid · 58% conv
reactivated + 410/mês └─ voltou após churn
retained base estável
churned -1.540/mês └─ voluntário (canceled)
expired - 380/mês └─ involuntário (cartão)
─────────
NET +1.670/mês ← crescimento líquido real
⚠ CONTRADIÇÃO DETECTADA learning #3
Dashboard financeiro do cliente reporta -72/mês. Fonte: snapshot
comparando períodos incompatíveis. BigQuery (fonte da verdade):
+1.670/mês. Não usar o dashboard para decisões de growth.
COMPOSIÇÃO DO CHURN
───────────────────────────────────────────────────
voluntário 80% 1.540/mês · volátil · ALVO PRINCIPAL
involuntário 20% 380/mês · estável · dunning resolve
INFLEXÃO CAUSAL — ago/set 2025
───────────────────────────────────────────────────
jul/25 churn baseline 1.300/mês
ago/25 ▲ 2.040 ← bureau de crédito instável (SLA quebrado)
set/25 ▲ 2.870 ← fila suporte > 800 tickets/dia · pico
out/25 ▲ 2.240 ← estabilização parcial
nov/25+ ← 1.540 novo baseline (não recuperou pré-queda)
TAXAS DE TRANSIÇÃO (CURR vs NURR)
───────────────────────────────────────────────────
NURR (novos M0→M1) 56% gargalo · perde 20–30pp por safra
CURR (recorrentes) 93% saudável
Recomendação do agente:
Maior impacto: atacar NURR antes de CURR. Ver H1 (fluxo cancel) e H4
(ativação 7d). Cruzar com /cohortAnalysis pra ver safras piores.
❯
❯ /cohortAnalysis --months=6
MCPgrowth-brain.get_skill_template("cohortAnalysis")
MCPgrowth-brain.get_glossary_term("cohort") → definição canônica
SQLcohort matrix · signup_date → transacoes_lifecycle → 4.2s
✓ Matriz de retenção por safra · 9 cohorts · % survival
COHORT M0 M1 M2 M3 M4 M5 M6
──────────────────────────────────────────────────────────────────
jul/25 100% 57% 41% 30% 24% 21% 20%
ago/25 100% 45% 30% 23% 19% 17% 16% ← bureau instável
set/25 100% 44% 29% 22% 19% 17% 16% ← pior safra
out/25 100% 51% 36% 27% 22% 19% —
nov/25 100% 54% 39% 29% 23% — —
dez/25 100% 56% 40% 30% — — —
jan/26 100% 60% 44% — — — —
fev/26 100% 62% — — — — — ← recuperação
mar/26 100% 61% — — — — —
⚠ ARTEFATO CONHECIDO problema #1
Query atual usa qualquer transação pra definir "ativo em M(n)".
Em algumas safras M1 < M2 (impossível). Fix pendente: usar apenas
renewal/new como sinal de ativo.
LEITURA DO AGENTE
─────────────────
· Steady-state M6 ≈ 20% (1 em 5 fica 6 meses). LTV ~R$1.080.
· Gargalo concentrado em M0→M1 (perde 20–30pp).
· Safras ago-set/25 permanentemente piores — não "catch-up" mesmo
depois do bureau voltar. Recomendo não comparar afiliado/canal
sem excluir essa janela do baseline.
· Safras jan/fev/26 com M0 60%+ sugerem que algo melhorou recente.
Cruzar com /reportAcquisition pra identificar driver.
❯
❯ /growthEquation
MCPgrowth-brain.get_framework("growthEquation")
FS_initiatives/creditto/growthEquation.md → v2, 13 meses de dados
✓ Equação de crescimento · Creditto · atualizada 21/04/26
LTV / CAC = LTV ÷ CAC
├─ LTV = R$1.080 ← ticket × sobrevida × margem
│ ├─ ticket médio blended R$59,90 mediana R$49,90
│ ├─ sobrevida média 8.2 meses steady-state 20% em M6
│ └─ margem bruta (est.) ~72% SaaS sem custo variável relevante
└─ CAC = indisponível ← tabela custos não entregue
├─ Tabela de custos pendente · priorizar na próxima call
└─ Estimativa: budget mídia R$28k/mês ÷ 3.180 novos ≈ R$9
(subestima: não inclui afiliados, comissões, ferramentas)
DECOMPOSIÇÃO POR ALAVANCA
───────────────────────────
novos/mês 3.180 58% nunca pegaram crédito digital antes
conv trial→paid 58% blended · Marina Costa isolado: 75–79%
MRR R$1,19M receita 12m R$13,2M · refunds 2,9%
MRR anual/mensal 23% / 77% anual mensalizado R$29,90
ALAVANCAS POR IMPACTO NO LTV/CAC
──────────────────────────────────
1. Retenção M0→M1 +10pp NURR → +R$215 LTV (~20%)
2. Churn voluntário save 20% → -308/mês churn → +8% base
3. Mix afiliados cortar afiliados M6<15% → -16% CAC
4. Ticket médio downgrade anual→mensal limita upside
❯