O objetivo
Growth existe pra maximizar LTV/CAC, respeitando payback e cashflow, otimizando as 3 alavancas mãe: aquisição, retenção e monetização. Toda hipótese, todo experimento, todo número que sai de uma análise se justifica relativo a essa equação. Se uma ação não move uma das três alavancas, não é growth — é outra coisa.
As 3 alavancas de growth
Toda ação de growth ataca uma (ou mais) das três alavancas:
- Aquisição — reduz CAC. Mix de canais, qualidade de afiliados, marginal returns, cohorts de origem.
- Retenção — aumenta LTV via tempo de vida. Churn voluntário/involuntário, NURR M1, fluxos de cancelamento, frequência de uso.
- Monetização — aumenta LTV via valor por usuário. Ticket médio, upsell, mix anual vs mensal, expansão de plano.
Os frameworks (get_framework('acquisitionModel'), 'retentionModel', 'monetizationModel') decompõem cada alavanca em métricas observáveis. A get_framework('growthEquation') mostra como elas se combinam na equação mãe pro tipo de negócio.
Os 7 princípios
1. Otimize LTV/CAC pelas 3 alavancas
LTV/CAC mede a eficiência do crescimento. Saudável é ≥ 3x; eficiente é ≥ 5x; abaixo de 1, a empresa perde dinheiro a cada cliente. Toda ação de growth precisa dizer qual alavanca está atacando — aquisição (reduz CAC), retenção (aumenta LTV via tempo de vida) ou monetização (aumenta LTV via valor por usuário). Se não move nenhuma das três, não é growth.
2. Calcule payback
Payback é o tempo que o CAC volta em receita. Payback curto significa dinheiro reinvestível. Payback longo significa caixa preso — mesmo com LTV/CAC bom no final. Referências de mercado: B2C < 6 meses (bom); B2B < 18 meses (bom).
3. Convirja com o cashflow
Cashflow é o limite. Não importa quão bom o LTV/CAC se o payback não cabe no caixa disponível. Empresa com 3 meses de runway não pode investir num canal de payback 6 meses — vai acelerar a morte, não o crescimento.
4. Analise sempre temporal e causal
Snapshot isolado não diz nada. Toda análise começa pela série temporal (3-12 meses) e cruza com mudanças operacionais (logs de campanha, lançamentos, sazonalidade). "Churn 7%" é vazio; "churn de 4% subiu pra 7% após pausar canal X" é diagnóstico.
5. Segmente por safra
Quem entrou em janeiro vive realidade diferente de quem entrou em março. Misturar safras numa média geral esconde degradação ou melhoria. Toda análise de retenção segmenta por mês de entrada e canal de origem.
6. Versione learnings
Fato confirmado por dado prevalece sobre opinião e instinto. Cada descoberta vira linha em _initiatives/<cliente>/learnings.md via /learning. Toda análise futura lê esse arquivo antes de gerar nova hipótese — descoberta confirmada nunca é re-descoberta.
7. Priorize por ICE com ritual semanal
Hipóteses são ordenadas por ICE = Impact × Confidence × Ease (escala 1-10 cada, total /10). A cadência mata o heroísmo: ritual semanal de hipóteses + log de decisões + retro de learnings. Velocidade de aprendizado importa mais que tamanho da aposta.
A hierarquia
A verificação é sempre de baixo pra cima:
- Primeiro: qual é o cashflow? (quanto tempo a empresa aguenta)
- Segundo: qual é o payback? (em quanto tempo recupero o investimento)
- Terceiro: dado que payback cabe no cashflow, como maximizo LTV/CAC?
Como o Brain aplica isso
Antes de cada análise, a skill before-analysis do plugin chama automaticamente get_principles() no servidor MCP. Os 7 princípios chegam como contexto pra LLM, junto com o framework relevante (get_framework('retentionModel') e similares) e os learnings ativos do cliente. Isso garante que toda saída — hipóteses, drilldown, briefing — é calibrada pela mesma régua.
Você pode invocar get_principles() manualmente no Claude Code pra ver o conteúdo completo (com fórmulas, exemplos numéricos, "implicações operacionais"). Ele não consome quota.