Pular para o conteúdo
PRODUTO EM PRODUÇÃO
marken.expostacker.com.br
CASA FASSI — arte do produto
live preview

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

Stack tecnológica: Next.js 15 React 19 Tailwind CSS Framer Motion Zustand Gamificação
28%
Aumento de Vendas (est.)
67%
Engajamento Diário (meta)
78%
Certificação (piloto)

Acesso de teste

e-mail teste@casafassi.com.br
senha fassi1234
  1. 1 Acesse com o login acima
  2. 2 Navegue pelo painel e veja os fluxos
  3. 3 Teste o fluxo principal de conversão
Usar agora

Cliente

Marken Fassi

Setor

Varejo premium · Enxovais

Linha do tempo

3 meses · 2024-03

Produto ao vivo

Usar agora

Resultados

Resultados reportados pelo cliente durante o rollout

28% Aumento de Vendas (piloto/meta)

Baseline: 22%

Fonte: Relatório de vendas Marken Fassi — Q2 2024

67% Engajamento Diário (piloto/meta)

Baseline: 41%

Fonte: Analytics da LXP — média de 30 dias

42% Redução de Churn (piloto/meta)

Baseline: 18%

Fonte: Retenção de lojistas — 6 meses pós-lançamento

R$ 1.850 Ticket Médio (piloto/meta)

Baseline: R$ 1.440

Fonte: Dados de transações — comparação pré/pós

78% Taxa de Certificação (piloto/meta)

Baseline: 31%

Fonte: Plataforma de certificação CASA FASSI

2s Tempo de Resposta FASSI.AI (piloto/meta)

Baseline: 8s

Fonte: Métricas de latência do assistente — média 7 dias

Dados reportados pelo cliente

O desafio

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

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 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 static export
Lojistas
dashboard
Zustand + localStorage
Framer Motion
FASSI.AI (regras)
Cloudflare Pages
  • → Next.js 15 com output: export — site estático puro, sem SSR, sem servidor
  • → Estado global em Zustand com persistência em localStorage (progresso, XP, streaks, selos)
  • → Catálogo, trilhas e base de respostas do FASSI.AI em arquivos TypeScript tipados
  • → Animações de gamificação com Framer Motion (streaks, badges, transições)
  • → Deploy no Cloudflare Pages com CDN global e cache automático de assets
  • → GitHub Actions: push na main → build estático → deploy automático em ~1 minuto

Diagrama conceitual — não reflete implementação real

Stack tecnológica

Escolhas técnicas e o que ficou para fora.

ecommerce

Next.js 15 (static export)

Por quê: Export estático com App Router para carregar lições em milissegundos, mesmo em 3G/4G

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

React 19

Por quê: Hooks atualizados e concorrência para animações de gamificação fluidas

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

Tailwind CSS v3

Por quê: Padronização visual rápida e CSS pequeno, essencial para mobile

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

Framer Motion

Por quê: Animações de transição entre módulos, streaks e conquistas com performance

Alternativa rejeitada: CSS animations — menos controle sobre timing e spring physics

ecommerce

Zustand + persist

Por quê: State management leve com persistência em localStorage — progresso, XP e streaks sobrevivem offline

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

Dados estruturados (TS)

Por quê: Catálogo, trilhas e respostas do FASSI.AI em arquivos TypeScript tipados, sem necessidade de banco

Alternativa rejeitada: PostgreSQL — seria necessário backend e infraestrutura, inviável para MVP estático

ecommerce

Cloudflare Pages

Por quê: Hosting estático com CDN global, baixo custo e deploy automático via GitHub Actions

Alternativa rejeitada: Vercel — excelente para Next.js, mas custo em escala

Lucide React

Por quê: Ícones SVG tree-shakeable para interface leve e acessível

Alternativa rejeitada: Icon fonts — mais pesadas e menos acessíveis

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.

Assistente de IA

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

Mecânicas de engajamento

XP

Pontos por interações de aprendizado e vendas

Ligas

Divisões que promovem competição saudável entre pares

Badges

Conquistas visuais por habilidades e marcos alcançados

Streaks

Sequências diárias que reforçam o hábito de aprender

Leaderboards

Ranking de desempenho entre vendedores e lojas

Missões

Desafios guiados que exploram catálogo e técnicas

Moedas

Créditos trocáveis por benefícios e acesso antecipado

Certificações

Selos oficiais que validam especialização por trilha

Segurança e acesso

Segurança e governança de acesso

  • Roles vendedor, lojista e admin com permissões distintas no estado da aplicação

  • Onboarding com identificação de loja, cidade e função

  • Moderação de conteúdo e denúncias na comunidade

  • Segmentação de dados: cada lojista vê apenas sua equipe no estado local

  • Dados sensíveis não trafegam para servidor — tudo em localStorage

  • Conformidade com LGPD no tratamento de dados de vendedores

  • Roadmap: migração para backend com auth real (Supabase) quando sair do MVP

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.

Quer um produto como esse?

Posso fazer o mesmo para o seu negócio. Vamos conversar.