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.
- 28%
- Aumento de Vendas (est.)
- 67%
- Engajamento Diário (meta)
- 78%
- Certificação (piloto)
Cliente
Marken Fassi
Setor
Varejo premium · Enxovais
Linha do tempo
3 meses · 2024-03
Aplicação ao vivo
Abrir aplicaçãoO 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.
Mapear a jornada real do vendedor entre atendimentos
Validar hipóteses com lojistas e vendedores do chão
Documentar decisões em um decision log compartilhado
Iterar semanalmente com métricas de retenção e engajamento
Rodar A/B tests em microcopy, tempo e recompensas
Onboarding guiado com lojistas piloto antes do lançamento geral
Arquitetura
- → 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
Por quê: SSR, streaming e App Router para entregar lições em milissegundos
Alternativa rejeitada: Astro — forte para conteúdo estático, mas não para interatividade rica
Por quê: Novos hooks e concorrência para animações de gamificação
Alternativa rejeitada: Vue 3 — maduro, mas menos ecossistema com Server Components
Por quê: Padronização visual rápida e CSS pequeno
Alternativa rejeitada: Styled Components — adiciona runtime e aumenta o bundle
Backend
Por quê: Serverless no mesmo repositório, reduzindo latência e operação
Alternativa rejeitada: Express em VM — exige mais infra e tem maior latência
Por quê: APIs totalmente tipadas, reduzindo erros entre frontend e backend
Alternativa rejeitada: REST manual — mais boilerplate e menos segurança de tipos
Por quê: State management leve com persistência local para progresso offline
Alternativa rejeitada: Redux Toolkit — mais boilerplate e curva de aprendizado maior
Dados/Cache
Por quê: Dados relacionais consistentes para usuários, lojistas e progresso
Alternativa rejeitada: MongoDB — flexível, mas menos previsível para joins e transações
Por quê: Cache de sessões, leaderboards e filas com estruturas de dados rápidas
Alternativa rejeitada: Memcached — limitado a chave-valor simples
Por quê: ORM tipado e migrations confiáveis
Alternativa rejeitada: Sequelize — menos type safety e DX inferior
IA/Infra
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
Por quê: Cold start baixo e execução geodistribuída
Alternativa rejeitada: AWS Lambda — cold starts mais altos e configuração mais pesada
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)
Vendedor faz uma pergunta sobre produto ou cenário de venda
Sistema identifica contexto: catálogo, jornada e histórico do vendedor
Versão atual: base de respostas estruturada no catálogo e roteiro da marca
Roadmap: motor RAG com LLM para respostas generativas no tom da marca
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
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
Baseline: 22%
Fonte: Relatório de vendas Marken Fassi — Q2 2024
Baseline: 41%
Fonte: Analytics da LXP — média de 30 dias
Baseline: 18%
Fonte: Retenção de lojistas — 6 meses pós-lançamento
Baseline: R$ 1.440
Fonte: Dados de transações — comparação pré/pós
Baseline: 31%
Fonte: Plataforma de certificação CASA FASSI
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.