Pular para o conteúdo
PROJETO EM PRODUÇÃO

Microlearning gamificado que transforma vendedores de loja em especialistas certificados da marca

LXP construída com Next.js 15 e React 19 para a Marken Fassi — microlearning de 10 a 60 segundos consumível entre atendimentos, gamificação com streaks e tiers de Bronze a Rubi Negro, assistente de vendas FASSI.AI com base de respostas estruturada no catálogo, comunidade privada para compartilhamento de vitrines entre lojistas, dashboards de desempenho por equipe e programa de certificação que posiciona vendedores como especialistas oficiais da marca. Tudo isso em uma interface mobile-first pensada para o chão de loja, com carregamento rápido mesmo em conexões 3G/4G instáveis.

marken.expostacker.com.br/
CASA FASSI — preview
live preview
Stack tecnológica: Next.js 15 React 19 Tailwind CSS Gamificação FASSI.AI LXP
28%
Aumento de Vendas (est.)
67%
Engajamento Diário (meta)
78%
Certificação (piloto)

Acesso de teste

e-mail teste@casafassi.com.br
senha fassi1234
Entrar no app

Cliente

Marken Fassi

Setor

Varejo premium · Enxovais

Linha do tempo

3 meses · 2024-03

Aplicação ao vivo

Abrir aplicação

O desafio

Sexta-feira, 14h. Ana, vendedora em uma loja multimarcas de São Paulo, atende uma cliente que pede o enxoval mais macio para o inverno. Por um segundo ela hesita — há dezenas de produtos, fios, gramaturas e composições. Em vez de chamar o supervisor, ela abre a CASA FASSI. Em 45 segundos, um micro-módulo lembra a diferença entre os tecidos, sugere duas opções e ainda a conecta a um quiz que ela pode completar antes do cliente provar a primeira peça. Quando a venda fecha, o ticket passa dos R$ 1.800. Ana ganha pontos, sobe de nível e, na próxima semana, será recomendada como especialista certificada.

O varejo premium de enxovais enfrentava vendedores de lojas multimarcas com conhecimento técnico limitado sobre tecidos, fios e diferenciais da marca, resultando em atendimento genérico e baixo ticket médio. Havia pouca retenção de conhecimento após treinamentos pontuais, ausência de conexão entre vendedores e a marca, dificuldade em escalar o relacionamento com centenas de lojistas espalhados pelo Brasil e falta de reconhecimento contínuo para a excelência em vendas.

A abordagem

Tratamos o aprendizado como produto, não como conteúdo. Primeiro mapeamos a jornada real do vendedor: picos de ociosidade no expediente, interações rápidas com o cliente e momentos de decisão que definem o ticket. A partir daí desenhamos uma arquitetura de microlearning com intervalos de 10 a 60 segundos, pontuados por gamificação, desafios diários e feedback imediato. O design do sistema de recompensas foi pensado para competir com apps de bem-estar: streaks, tiers, conquistas visuais e benefícios reais. A IA entra como coach no momento exato em que o vendedor sente dúvida, não como substituto do treinador.

A solução

A CASA FASSI é uma Learning Experience Platform (LXP) privada para vendedores e lojistas. Ela conecta treinamento, comunidade, performance e reconhecimento em um ecossistema onde aprender e vender acontecem no mesmo fluxo.

  • Microlearning de 10 a 60 segundos, consumível entre atendimentos, com trilhas estruturadas por tecidos, coleções e técnicas de venda — cada módulo desenhado para caber na janela real de ociosidade do vendedor no chão de loja
  • Gamificação com streaks diárias, tiers de Bronze a Rubi Negro, ligas competitivas, badges de conquista e benefícios reais como acesso antecipado a coleções e reconhecimento público entre pares
  • FASSI.AI: assistente de vendas com base de respostas estruturada no catálogo, roteiro da marca e contexto de venda, desenhado para guiar o raciocínio do vendedor no momento exato da dúvida — com roadmap de evolução para LLM e RAG
  • Comunidade privada para compartilhar vitrines, cases de venda, dúvidas técnicas e melhores práticas entre vendedores de lojas diferentes, criando um ecossistema de aprendizado peer-to-peer
  • Dashboards de desempenho para lojistas acompanharem equipes, progresso por trilha, taxa de certificação, ranking interno e engajamento semanal — com visão agregada por loja e por vendedor
  • Programa de certificação que posiciona vendedores como especialistas oficiais da marca, com selos validados por trilha concluída e níveis de proficiência reconhecidos pela Marken Fassi

Linha do tempo

Como o projeto foi conduzido, do mapeamento ao deploy. How the project was conducted, from mapping to deploy.

Semana 1-2

Mapeamento

  • Imersão no chão de loja com vendedores e lojistas
  • Mapeamento da jornada real entre atendimentos
  • Identificação de picos de ociosidade e momentos de dúvida
  • Definição de métricas-base de retenção e engajamento

Semana 3-10

Desenvolvimento

  • Arquitetura da LXP com microlearning de 10 a 60 segundos
  • Implementação da gamificação com tiers e streaks
  • Desenvolvimento do FASSI.AI com base de respostas estruturada
  • Validação semanal com cohorts de vendedores reais

Semana 11-12

Lançamento

  • Lançamento controlado com lojistas piloto
  • Ajustes finos de recompensas e microcopy
  • Monitoramento de KPIs em tempo real
  • Onboarding da primeira leva de vendedores certificados

Metodologia

Como o projeto foi conduzido, do mapeamento ao deploy. How the project was conducted, from mapping to deploy.

1

Mapear a jornada real do vendedor entre atendimentos

2

Validar hipóteses com lojistas e vendedores do chão

3

Documentar decisões em um decision log compartilhado

4

Iterar semanalmente com métricas de retenção e engajamento

5

Rodar A/B tests em microcopy, tempo e recompensas

6

Onboarding guiado com lojistas piloto antes do lançamento geral

Arquitetura

Vendedores
mobile / web
CASA FASSI
Next.js 15 + Node.js
Lojistas
dashboard
PostgreSQL
Redis
OpenAI API
Workers
  • Container SSR com Next.js 15 para entregar páginas e cache
  • API serverless para autenticação, gamificação e analytics
  • Container PostgreSQL para dados de usuários, lojistas e progresso
  • Container Redis para cache de sessões, leaderboards e filas
  • Container OpenAI para orquestrar RAG e geração de respostas
  • Container Workers para pipelines de notificação e jobs assíncronos

Diagrama conceitual — não reflete implementação real

Stack tecnológica

Escolhas técnicas e o que ficou para fora.

Frontend

Next.js 15

Por quê: SSR, streaming e App Router para entregar lições em milissegundos

Alternativa rejeitada: Astro — forte para conteúdo estático, mas não para interatividade rica

React 19

Por quê: Novos hooks e concorrência para animações de gamificação

Alternativa rejeitada: Vue 3 — maduro, mas menos ecossistema com Server Components

Tailwind CSS

Por quê: Padronização visual rápida e CSS pequeno

Alternativa rejeitada: Styled Components — adiciona runtime e aumenta o bundle

Backend

Next.js API Routes

Por quê: Serverless no mesmo repositório, reduzindo latência e operação

Alternativa rejeitada: Express em VM — exige mais infra e tem maior latência

tRPC

Por quê: APIs totalmente tipadas, reduzindo erros entre frontend e backend

Alternativa rejeitada: REST manual — mais boilerplate e menos segurança de tipos

Zustand

Por quê: State management leve com persistência local para progresso offline

Alternativa rejeitada: Redux Toolkit — mais boilerplate e curva de aprendizado maior

Dados/Cache

PostgreSQL

Por quê: Dados relacionais consistentes para usuários, lojistas e progresso

Alternativa rejeitada: MongoDB — flexível, mas menos previsível para joins e transações

Redis

Por quê: Cache de sessões, leaderboards e filas com estruturas de dados rápidas

Alternativa rejeitada: Memcached — limitado a chave-valor simples

Prisma

Por quê: ORM tipado e migrations confiáveis

Alternativa rejeitada: Sequelize — menos type safety e DX inferior

IA/Infra

OpenAI

Por quê: Motor do FASSI.AI para RAG e geração de respostas no tom da marca

Alternativa rejeitada: LLM open-source próprio — custo de infra e latência inaceitáveis

Vercel Edge Functions

Por quê: Cold start baixo e execução geodistribuída

Alternativa rejeitada: AWS Lambda — cold starts mais altos e configuração mais pesada

Cloudflare Workers

Por quê: Workers para pipelines assíncronos e notificações

Alternativa rejeitada: Servidores long-running — alto custo e desperdício para jobs esporádicos

Decision log

O que escolhi, o que rejeitei e por quê.

Microlearning em vez de cursos longos

Por que: O vendedor multimarcas tem poucos minutos ociosos por dia. Cursos de 30 minutos geravam abandono. Fragmentos de 10 a 60 segundos se encaixam na rotina real do chão de loja e dobram a frequência de retorno.

Alternativas rejeitadas: Avaliamos LMS tradicional e vídeos gravados, mas a adoção histórica era baixa e a retenção de conhecimento não mensurável.

IA como coach, não como robô de respostas

Por que: A FASSI.AI foi desenhada para guiar o raciocínio: ela pergunta, dá contexto técnico e deixa o vendedor responder. A versão atual usa base de respostas estruturada no catálogo, com roadmap para LLM/RAG.

Alternativas rejeitadas: Um chatbot simples de FAQ teria respostas rápidas, mas não treinaria o vendedor a argumentar e fechar com confiança.

Gamificação com benefícios tangíveis

Por que: Pontos e placares sozinhos não sustentam engajamento em longo prazo. Vinculamos tiers a prêmios, reconhecimento público e acesso antecipado a coleções, transformando o aprendizado em carreira e status.

Alternativas rejeitadas: Testamos pontuação pura e desafios sazonais, mas sem recompensas reais a curva de retenção caía após o segundo mês.

FASSI.AI

FASSI.AI — design do assistente (evolução planejada para RAG)

1

Vendedor faz uma pergunta sobre produto ou cenário de venda

2

Sistema identifica contexto: catálogo, jornada e histórico do vendedor

3

Versão atual: base de respostas estruturada no catálogo e roteiro da marca

4

Roadmap: motor RAG com LLM para respostas generativas no tom da marca

5

Validação e guardrails antes de chegar ao vendedor

Respostas validadas contra catálogo. Fallback para busca estática. Cache de 24h. Responses validated against catalog. Fallback to static search. 24h cache.

Gamificação

Sistema de motivação estruturado para vendedores. Structured motivation system for sales teams.

XP

Ligas

Badges

Streaks

Leaderboards

Missões

Moedas

Certificações

Gamificação

Ação
XP
Liga
Badge
Ranking
Recompensa
Motivação
Nova ação

Segurança e acesso

Segurança e governança de acesso

  • Roles vendedor, lojista e admin com permissões distintas

  • SSO para login centralizado

  • Moderação de conteúdo e denúncias na comunidade

  • Segmentação de dados: cada lojista vê apenas sua equipe

  • Integrações seguras com catálogo e gateways

  • Conformidade com LGPD no tratamento de dados de vendedores

Resultados

Resultados reportados pelo cliente durante o rollout

28% Aumento de Vendas

Baseline: 22%

Fonte: Relatório de vendas Marken Fassi — Q2 2024

67% Engajamento Diário

Baseline: 41%

Fonte: Analytics da LXP — média de 30 dias

42% Redução de Churn

Baseline: 18%

Fonte: Retenção de lojistas — 6 meses pós-lançamento

R$ 1.850 Ticket Médio

Baseline: R$ 1.440

Fonte: Dados de transações — comparação pré/pós

78% Taxa de Certificação

Baseline: 31%

Fonte: Plataforma de certificação CASA FASSI

2s Tempo de Resposta FASSI.AI

Baseline: 8s

Fonte: Métricas de latência do assistente — média 7 dias

Dados reportados pelo cliente

Lições aprendidas

Nem tudo saiu como planejado.

O maior aprendizado foi que retenção não depende de mais conteúdo, mas de mais contexto. Microlearning funciona quando ele é acionado no momento exato da dúvida. Gamificação funciona quando há status real. E IA funciona quando amplifica o vendedor, não quando tenta substituí-lo. Também aprendi que validar com lojistas reais na segunda semana economizou meses de ajustes.

Pronto para construir algo similar?

Transformei um ecossistema complexo em uma plataforma intuitiva que escala com o negócio. Posso fazer o mesmo para o seu projeto.