Conversa Conosco: pesquisa de sugestões de melhorias
- Ano
- 2026
- Atuação
- UX Research, Análise de dados, Visualização de dados
- Categoria
- UX Design & Research
- Ferramentas
- Microsoft Teams, Power Automate, Power BI, Python, Matplotlib, IA generativa

Contexto
Uma pesquisa de clima já mostrava percepções gerais sobre uma gerência. Faltava entender o que as pessoas sugeriam, na prática, para melhorar o dia a dia.
A Conversa Conosco aprofundou esses resultados com entrevistas semiestruturadas com funcionários de cargo não gerencial. Atuei em todas as etapas, do plano de pesquisa à apresentação final dos dados.
Desafio
Transformar percepções gerais em sugestões específicas e acionáveis, garantindo que as pessoas se sentissem seguras para falar.
Organizar mais de cem sugestões em texto livre, de entrevistas diferentes, de modo que fosse fácil ver o que priorizar sem esconder as ideias de ninguém.
Solução & decisões de design
- 01
Plano de pesquisa claro e seguro
Catorze perguntas, dez delas sobre os temas da pesquisa de clima. Conversas de cerca de 30 minutos no Teams, sem gravação, com anotações padronizadas e anonimização garantida.
- 02
Adesão voluntária por formulário
O convite foi enviado a cada integrante do público-alvo pelo chat do Teams com Power Automate. A meta era 10 pessoas, uma de cada divisão, e as entrevistas aconteceram entre 26/01 e 03/02/2026.
- 03
Limpeza e normalização dos dados com IA
As anotações foram limpas, padronizadas e normalizadas com apoio de IA, até virarem uma tabela com impacto, esforço, sugestão, tópico, contagem e tema. Ideias citadas por mais de uma pessoa ganham a contagem de quantas foram.
- 04
Gráfico de Impacto × Esforço personalizado
Um script Python, executado como visual do Power BI, posiciona cada sugestão como uma ideia curta no gráfico, com a letra do quadrante, ícones e cores por subtópico e texto maior nas ideias mais repetidas. Um algoritmo afasta os textos para que não se sobreponham.
- 05
Código reutilizável
Se chegarem novos dados, basta atualizar a tabela. O gráfico é gerado de novo com a mesma lógica e novas imagens saem sem retrabalho.
- 06
Da análise à recomendação
Das 114 sugestões, 28 são Quick Wins, de alto impacto e baixo esforço. A recomendação é começar por elas e depois comunicar à equipe as melhorias adotadas, fechando o ciclo de confiança.
Entregáveis
- Plano de pesquisa com contexto, objetivo, método, seleção, público e período
- 114 sugestões padronizadas e agrupadas em 10 temas e subtópicos
- Visual personalizado de Impacto × Esforço, em Python para o Power BI
- Apresentação de resultados com panorama geral, matriz de priorização e conclusão
Resultado
114 sugestões em 10 temas, 28 ações Quick Win e uma recomendação clara de por onde começar. Os dados sensíveis foram anonimizados ou borrados neste portfólio.
Galeria
Transcrições das imagens
As seis etapas da pesquisa
Da pergunta à recomendação: as seis etapas da pesquisa.
- 1. Planejar: objetivo, 14 perguntas semiestruturadas e público, equipe não gerencial.
- 2. Convidar: adesão voluntária por formulário enviado pelo chat do Teams com Power Automate.
- 3. Entrevistar: cerca de 30 minutos no Teams, sem gravação e com anotações padronizadas.
- 4. Tratar os dados: IA para limpar, padronizar e normalizar as anotações em uma tabela.
- 5. Visualizar: gráfico de Impacto × Esforço no Power BI, gerado por script Python.
- 6. Recomendar: começar pelas ações de ganho rápido e devolver os resultados à equipe.
Do dado bruto ao gráfico
Do dado bruto ao gráfico: fluxo de tratamento e visualização dos dados.
- 1. Anotações: notas padronizadas de cada entrevista.
- 2. IA generativa: limpeza, padronização e normalização.
- 3. Tabela: uma linha por sugestão.
- 4. Script Python: visual personalizado no Power BI.
- 5. Gráfico: Impacto × Esforço com ideias curtas.
Colunas da tabela: Impacto, Esforço, Sugestão, Tópico, Contagem e Tema.
Dados novos entram na tabela e o gráfico é gerado de novo, sem refazer nada à mão.
Plano de pesquisa
Plano de pesquisa.
1. Contexto: esta pesquisa visa aprofundar os resultados da Pesquisa de Clima Gerencial por meio de entrevistas semiestruturadas com funcionários de uma gerência.
2. Objetivo: colher sugestões de melhorias ligadas ao clima organizacional na gerência (liderança, comunicação, processos, carga de trabalho e desenvolvimento).
3. Método: entrevistas semiestruturadas (14 perguntas, sendo 10 sobre os temas identificados na pesquisa de clima). Duração de cerca de 30 minutos, via Teams. Sem gravação da reunião. Anotações padronizadas e anonimização garantida.
4. Seleção: amostra por voluntariado (inicialmente com meta de 10 participantes, sendo 1 de cada divisão da gerência) via formulário divulgado diretamente a cada integrante do público-alvo via chat Workflows do Teams no dia 20/01/2026 (com uso de Power Automate).
5. Público-alvo: inicialmente, funcionários de cargo não gerencial da gerência.
6. Período: as entrevistas (conversas) aconteceram entre 26/01/2026 e 03/02/2026.
Panorama geral
Panorama geral.
A análise das anotações feitas nas entrevistas revelou um total de 114 sugestões de melhorias. Cada tema correspondia a uma pergunta. A maioria das sugestões veio do tema Disponibilidade e Agilidade (18), o que equivale a quase 16% das sugestões.
Para cada sugestão foi atribuído um valor (Alto, Médio ou Baixo) para impacto esperado e para o esforço envolvido. A combinação resultou no gráfico de Impacto × Esforço, que mostra o número de sugestões em cada quadrante. A recomendação é começar pelas 28 ações Quick Win, que combinam alto impacto com baixo esforço de execução.
Número de sugestões por tema:
- Disponibilidade e Agilidade: 18
- Onboarding e Integração: 14
- Transparência em Processos: 14
- Comunicação e Escuta: 13
- Encontros presenciais: 11
- Conhecimento Técnico e Decisões: 10
- Cultura e Inovação: 10
- Feedback e Desenvolvimento: 10
- Valorização e Reconhecimento: 10
- Segurança Psicológica e Respeito: 4
Impacto × Esforço (quantidade por quadrante):
- A. Quick Wins: 28
- B. Projetos Importantes: 38
- C. Grandes Iniciativas: 9
- D. Oportunidades: 26
- E. Projetos Moderados: 12
- F. Avaliar Custo-Benefício: 0
- G. Tarefas Secundárias: 1
- H. Pouco Relevantes: 0
- I. Evitar: 0
Como ler a matriz de priorização
Matriz de priorização.
As sugestões foram agrupadas também de acordo com o subtópico a que se referem, e esse agrupamento é representado por ícones e cores que facilitam a verificação de relação entre ideias. Os ícones e as cores de cada subtópico se mantêm os mesmos em todas as próximas páginas.
Além disso, cada sugestão traz em seu início uma letra que representa o quadrante em que está e, caso a ideia tenha vindo de mais de uma pessoa, isso é indicado ao final da frase com um número entre parênteses.
Cada página traz também uma mini-matriz de legenda, com os nomes de cada zona (quadrante) da matriz de Impacto × Esforço e o número de sugestões em cada zona.
A página mostra a legenda de subtópicos, um exemplo de cartão de sugestão com o texto borrado e o mapa de zonas com as contagens (A: 28, B: 38, C: 9, D: 26, E: 12, F: 0, G: 1, H: 0, I: 0).
Exemplo do gráfico preenchido, com dados borrados
Exemplo de página do gráfico de Impacto × Esforço para o tema Transparência em Processos. Os textos das sugestões e o parágrafo no canto inferior direito estão borrados de propósito, para anonimizar os dados.
O gráfico mostra, por zona, a quantidade de sugestões do tema: A: 4, B: 3, C: 5, D: 1, E: 1 e as demais zonas com 0. A legenda de subtópicos traz Comunicação, Documentação, Gestão do Conhecimento, Planejamento, Plano de Carreira e Transparência.
Quer um resultado assim para o seu projeto?
Me conte sua demanda e receba um retorno rápido.
Outros projetos

Apps
Voleizin — app para organizar vôlei entre amigos
Um app Android que monta times equilibrados com Elo, organiza a fila de espera e tira da quadra a discussão sobre quem joga.
Ler estudo de caso
Design Gráfico
Identidade visual do Clube do Livro Arq TI
Renovação da identidade de um clube do livro corporativo, com hierarquia mais clara e um sistema de degradês que muda a cada encontro.
Ler estudo de caso
Apps
Turismo em Caxias — protótipo de app mobile
Do levantamento com o público ao protótipo final, um app que reúne atrativos, favoritos e roteiros de uma cidade em um só lugar.
Ler estudo de caso