De devoluções a oportunidades de produto

Visão geral

Devoluções e reenvios costumam ser tratados como um custo operacional a ser absorvido. Neste projeto, tratei-os como evidência: um registro dos momentos em que a experiência do cliente falha. Ao analisar as devoluções de quase um ano, rastreei problemas recorrentes até pontos da jornada de compra que um time de produto pode mudar.

Esta é uma versão pública e anonimizada do case. Ela não contém números internos, nomes de clientes nem capturas de sistemas internos.

O problema

Cada devolução gera custos de frete e trabalho manual. Mas os motivos das devoluções estavam espalhados em anotações em texto livre e em diferentes etapas do processo. Sem uma visão compartilhada de por que os pacotes voltavam, era difícil separar incidentes isolados de problemas estruturais — e, portanto, decidir onde agir.

Quais devoluções podem ser evitadas, e o que seria preciso para evitá-las?

Meu papel

Atuando em operações e melhoria de processos, conduzi essa análise de ponta a ponta: estruturei os dados, defini a classificação, mapeei os fluxos, construí a simulação e transformei os achados em recomendações. O trabalho diário com fulfillment e back-office me deu uma visão de perto de onde os problemas de entrega aparecem.

Abordagem

• Análise de dados. Consolidei os registros de devoluções e custos de frete de janeiro a novembro de 2026.
• Classificação. Criei uma taxonomia de causas e um processo local, assistido por IA, para classificar de forma consistente os motivos registrados em texto livre.
• Mapeamento de processos. Mapeei os fluxos completos de devolução e reenvio para ver onde cada problema nasce e quem precisa resolvê-lo.
• Simulação de cenários. Construí um simulador para estimar o efeito da validação de endereço e de melhorias no checkout antes de qualquer mudança no produto.

Evidências e insights

• Uma parte significativa dos custos de frete estava ligada a correções de endereço — pedidos que não puderam ser entregues como foram preenchidos e precisaram ser corrigidos e reenviados.
• Não eram falhas operacionais aleatórias. Elas apontavam para trás, para o momento do checkout em que o endereço é preenchido.

• Como erros de endereço podem ser evitados na origem, eles são uma oportunidade de redução de custo, e não um custo fixo do negócio.
• Os motivos em texto livre não eram comparáveis como estavam. Uma classificação compartilhada era condição para qualquer decisão.

Decisões e experimentos

• Dimensionei a oportunidade de custo evitável ligada às correções de endereço. Concluído
• Modelei validação de endereço e melhorias no checkout em um simulador de cenários. Simulado
• Recomendei validação de endereço e mudanças no checkout como oportunidades de produto. Proposto

Nenhuma mudança no produto foi implementada como parte deste trabalho. Os números por trás do dimensionamento e da simulação continuam internos.

Resultados e aprendizados

O trabalho gerou uma classificação compartilhada das devoluções, um mapa dos fluxos de devolução e reenvio e uma oportunidade dimensionada e priorizada, que liga um custo operacional a uma decisão de produto.

• Dados operacionais são pesquisa com usuários. Cada devolução é o rastro de um cliente que travou em algum ponto.
• Classificar também é uma decisão de produto. A forma de categorizar os problemas determina o que conseguimos enxergar.
• Simular torna os trade-offs discutíveis antes de alguém comprometer tempo de engenharia.

Próximos passos

• Validar o efeito simulado com um experimento pequeno e mensurável no checkout.
• Definir métricas de sucesso junto com os times responsáveis pelo checkout e pelo fulfillment.
• Ampliar a classificação para que novas devoluções sejam registradas de forma consistente desde o início.