Do caos à clareza: como redesenhamos a experiência de dados operacionais no iFood
Transformei relatórios fragmentados em uma experiência unificada e visual, com comparativos entre lojas e recomendações automáticas. O resultado: mais autonomia para parceiros e ganhos reais em eficiência operacional.
UX Strategy
Research
Data & Metrics
UX/UI Design
Contexto
Desafio/Problema
Restaurantes parceiros do iFood tinham dificuldade em acessar e interpretar dados operacionais. As informações estavam dispersas em diferentes relatórios e planilhas, exigindo trabalho manual, pouca confiança nos números e forte dependência dos executivos de conta para tomar decisões.
Solução
Desenvolvemos um MVP de Desempenho Operacional que consolidou relatórios em uma visão única, trouxe painéis comparativos entre lojas e iniciou a automação de recomendações para problemas críticos (atrasos e NRE). Isso garantiu mais autonomia aos parceiros, clareza nos dados e eficiência para o time do iFood.
Ferramentas utilizadas:
Figma
figjam
google meet
hotjar
userpilot
databricks
jira
goals
Processo de Design
Do discovery à entrega, liderei o processo de design junto à squad de Qualidade da operação.
Discovery
KPI
OKR
analytics
matriz csd
desk research
O Desafio
O iFood tem como missão apoiar seus parceiros — restaurantes de todos os tamanhos — a crescer de forma sustentável. Mas, na prática, havia um obstáculo recorrente: os parceiros não conseguiam acessar, interpretar e agir rapidamente sobre seus dados operacionais.
Cancelamentos, atrasos e falhas operacionais estavam diretamente ligados à perda de vendas e à queda no “Super” e no Score Logístico, métricas essenciais para o sucesso dentro da plataforma.
Apesar de já disponibilizarmos dashboards e relatórios, o processo era fragmentado, manual e pouco intuitivo. Muitos gerentes precisavam exportar dados, cruzar informações em planilhas ou depender de executivos de conta para interpretar números básicos.
Esse cenário gerava frustração: os erros se repetiam, as decisões eram lentas e os executivos do iFood ficavam sobrecarregados com tarefas operacionais, deixando de lado análises estratégicas que realmente poderiam gerar valor.
Research
arquétipos
análise de dados
questionário
benchmark
Visitas exploratórias
Minha abordagem
Como Product Designer, conduzi um processo de descoberta profunda. Visitamos operações de restaurantes, entrevistamos donos, gerentes e consultores, e analisamos como cada perfil de parceiro consumia os dados.
Também investigamos benchmarks em players globais, como Uber Eats e Rappi, para entender como o mercado estava evoluindo.
Ao mapear a jornada, percebemos quatro perfis distintos de maturidade:
Experientes, que já integravam dados via API e buscavam comparações sofisticadas
Otimizados, que ainda dependiam de exportações manuais mas tinham rotina de análise estruturada
Esforçados, gerentes multitarefas que faziam análises rápidas em planilhas
Iniciantes, que acessavam apenas visões básicas no Portal
Essa segmentação foi essencial para desenhar soluções que atendessem desde os mais avançados até os mais básicos, sem criar barreiras de uso.
Direction
priorização
matriz de valor x esforço
MVP
A estratégia
Diante das descobertas, estruturamos uma estratégia clara: resolver o básico com excelência antes de avançar para soluções sofisticadas. Isso se traduziu em um MVP com três frentes:
Relatórios unificados e exportáveis
Consolidando indicadores de qualidade da operação, cancelamentos e negociações em uma única fonte confiável.
Ranking e painéis visuais
Permitindo que marcas comparassem lojas entre si e identificassem rapidamente os melhores e piores desempenhos.
Recomendações iniciais
Automatizando insights para os problemas mais críticos (atrasos e NRE) com árvores de decisão simples, ajudando parceiros a agir de forma imediata.
Essa priorização foi guiada por uma matriz de valor x esforço, garantindo alto impacto com entregas rápidas, enquanto deixamos para o roadmap futuro itens mais complexos como APIs abertas, diagnósticos inteligentes por sazonalidade e retroalimentação automática de recomendações.
Design
wireframe
design system
protótipo de baixa fidelidade
usabilidade
Refine
mapeamento de eventos
casos de uso
casos de exceção
protótipo de alta fidelidade
Delivery
protótipo navegável
handoff
Ongoing
análise de dados
acompanhamento de performance
O impacto
Com o MVP, parceiros passaram a ter acesso a relatórios claros, comparativos entre lojas e orientações práticas. Isso trouxe mais autonomia para gerentes multitarefas, reduziu a dependência de executivos de conta e aumentou a confiança nos dados.
Para o iFood, o impacto foi duplo:
Operacional, com executivos mais focados em análises estratégicas do que em extrações manuais.
De negócio, com melhoria nos indicadores de cancelamento e NRE, proteção do Super e avanço na experiência dos parceiros.
Aprendizados
Esse projeto me mostrou que, no fim das contas, dados não servem apenas para medir performance, mas para guiar decisões reais no dia a dia das operações. O papel do design aqui foi transformar complexidade em clareza — de planilhas fragmentadas para uma experiência simples, confiável e acionável.
E mais do que criar telas, criamos um hábito novo nos parceiros: olhar para seus números e agir rapidamente. Essa mudança cultural é, para mim, o maior sinal de sucesso desse estudo de caso.
✨ Esse case reforça minhas habilidades de: liderar processos de descoberta de problemas e como transformar os achados em oportunidades de produto.
Quer saber mais detalhes?
Entre em contato comigo e vamos conversar! Posso te contar mais sobre meu processo de trabalho e sobre as decisões de design articuladas nesse estudo.
Gabriela Lara
Senior Product Designer
Copyright © 2025 Gabriela Lara.