AIOX Course Platform | Professional Bootcamp & Mastery

Módulo 4 · Squad LinkedIn Monitoragindo Duração: 4 horas Agentes praticados: @dev, @qa Projeto: Squad LinkedIn Monitoragindo

🏆 Vitória desta aula

Dashboard de analytics com padrões de engajamento identificados por vertente, e feedback loop implementado — padrões de sucesso alimentam diretamente o Content Writer para gerar conteúdo melhor.

Critério binário: Dashboard mostrando métricas reais por vertente + feedback loop funcional (padrões extraídos → Content Writer gera usando os padrões).

Conceito

Data-driven content: o feedback loop que melhora o squad

Até agora o squad gera conteúdo baseado no Voice Profile (quem você é) e na knowledge base (documentação Zabbix). Isso garante autenticidade e precisão. Mas não garante performance — qual tipo de post sua audiência prefere? Qual hook gera mais comentários? Qual vertente tem mais alcance?

O analytics fecha esse loop: métricas de engajamento → análise de padrões → recomendações → Content Writer incorpora → novo conteúdo → novas métricas. É evolução contínua baseada em dados.

Squad gera → Publica → Coleta métricas → Analisa padrões
  ↑                                              |
  └──────── Feedback loop ←───────────────────────┘

Padrões de engajamento: o que procurar

As métricas brutas (likes, comments) são úteis, mas os padrões são o que realmente gera valor:

Padrão	Pergunta que responde	Exemplo de insight
Por vertente	Qual tipo de conteúdo performa melhor?	"Quizzes têm 3x mais comentários que artigos"
Por horário	Quando publicar?	"Posts às 8h têm 40% mais impressions que às 14h"
Por hook	Qual abertura funciona?	"Posts que abrem com pergunta têm 2x mais engagement"
Por tamanho	Qual extensão ideal?	"Posts de 800-1200 caracteres performam melhor"
Temporal	O engajamento está crescendo?	"Engagement rate subiu 15% no último mês"

O princípio aplicado

Você vai descrever ao Dev que precisa de analytics e um feedback loop. Não vai ditar quais queries rodar, como calcular métricas ou como estruturar o feedback. O Dev implementa o analytics; o QA verifica se os dados e insights fazem sentido.

Contexto

O banco tem posts com métricas coletadas (Aula 16). Para o analytics funcionar com dados suficientes, precisamos de volume. Na prática, o gerador de métricas simuladas da Aula 16 vai popular dados de 20-30 posts simulados para que os padrões sejam identificáveis. Em produção, os dados reais substituem os simulados ao longo das semanas.

Prática

Passo 1 — Popular dados para analytics

Antes do analytics, precisamos de volume de dados:

cd ~/aiox-bootcamp/linkedin-squad
claude

@dev

Dex, preciso de dados suficientes para analytics. 
Crie um seed script que popule o banco com:

- 30 posts simulados (distribuídos pelas 4 vertentes)
- Publicados ao longo de 8 semanas simuladas
- Cada post com 3 snapshots de métricas (D+1, D+3, D+7)
- Métricas realistas com variação por vertente:
  - Quizzes: mais comments e saves
  - Artigos técnicos: mais impressions e saves
  - IA na Sexta: mais likes e shares
  - Mentalidade: mais comments
- Variação por horário de publicação (manhã vs tarde)
- Alguns posts claramente melhores que outros (outliers)

Os dados precisam ter padrões IDENTIFICÁVEIS para que 
o analytics consiga extraí-los. Se tudo for uniforme, 
o analytics não encontra nada útil.

Como verificar:

# Rodar seed
npm run db:seed  # ou o comando que o Dev configurou

# Verificar volume
curl http://localhost:3000/api/posts | jq '.total'
# Deve retornar ~30

# Verificar distribuição por vertente
curl "http://localhost:3000/api/posts?vertical=quiz" | jq '.total'
curl "http://localhost:3000/api/posts?vertical=article" | jq '.total'

🏆 Checkpoint 1: 30 posts com métricas no banco.

Passo 2 — Analytics engine

Dex, implemente o analytics engine. Leia as stories 
de analytics em docs/stories/ e o Architecture Doc.

Preciso de endpoints que respondam:

1. PERFORMANCE POR VERTENTE:
   - Média de likes, comments, impressions por vertente
   - Qual vertente tem melhor engagement rate?
   - Evolução por vertente ao longo das semanas

2. PERFORMANCE POR HORÁRIO:
   - Horários de publicação com melhor performance
   - Distribuição de engagement por dia da semana

3. ANÁLISE DE HOOKS:
   - Classificar posts pelo primeiro parágrafo 
     (pergunta, afirmação, história, dado numérico)
   - Correlacionar tipo de hook com engagement

4. ANÁLISE DE TAMANHO:
   - Correlacionar tamanho do post (caracteres) 
     com engagement
   - Faixas de tamanho com melhor performance

5. TOP PERFORMERS:
   - Posts com melhor performance absoluta
   - Posts com melhor performance relativa (vs média 
     da vertente)
   - O que têm em comum? (vertente, hook, tamanho, horário)

Cada endpoint deve retornar dados estruturados em JSON 
que possam alimentar dashboards.

Como verificar:

# Performance por vertente
curl http://localhost:3000/api/analytics/by-vertical | jq

# Performance por horário
curl http://localhost:3000/api/analytics/by-time | jq

# Top performers
curl http://localhost:3000/api/analytics/top-posts | jq

# O que funciona (padrões identificados)
curl http://localhost:3000/api/analytics/patterns | jq

Checklist de avaliação do analytics

Cada endpoint retorna dados estruturados?

Performance por vertente mostra diferenças claras?

Análise de hooks classifica posts pelo tipo de abertura?

Top performers identificam o que os melhores posts têm em comum?

Dados fazem sentido? (quizzes realmente têm mais comments se o seed simulou isso?)

Há endpoint consolidado de padrões (/api/analytics/patterns)?

Se os padrões não forem identificáveis:

Dex, o endpoint de patterns retorna "sem padrões 
identificados". Se o seed criou dados com variação por 
vertente e por horário, os padrões devem ser detectáveis. 
Verifique: o analytics está comparando métricas entre 
grupos? Ou só calculando médias globais?

Se o analytics for puramente numérico:

Dex, os endpoints retornam números mas não insights. 
Preciso que /api/analytics/patterns retorne insights 
acionáveis: "Posts da vertente quiz têm 3x mais 
comentários que artigos", "Posts publicados entre 8h-10h 
têm 40% mais impressions". Esses insights vão alimentar 
o Content Writer.

🏆 Checkpoint 2: Analytics engine retornando padrões identificáveis.

Passo 3 — Dashboard de analytics

Dex, crie um dashboard (página web ou Grafana) que 
visualize os dados do analytics.

O dashboard deve mostrar:
1. Visão geral: total de posts, média de engagement, 
   tendência (subindo/descendo)
2. Comparativo por vertente: gráfico de barras com 
   engagement médio por vertente
3. Timeline: engagement ao longo das semanas 
   (gráfico de linha)
4. Mapa de calor: dia da semana × horário com 
   intensidade de engagement
5. Top 5 posts: lista com preview do hook e métricas

O dashboard deve funcionar com os dados reais do banco — 
não dados hardcoded na UI.

Como verificar: Abrir o dashboard no browser e conferir que os gráficos refletem os dados do banco.

Checklist de avaliação do dashboard

Dashboard carrega sem erro?

Gráficos mostram dados reais (não estáticos)?

Comparativo por vertente mostra diferenças?

Timeline mostra tendência ao longo do tempo?

Top posts são realmente os melhores (confira no banco)?

🏆 Checkpoint 3: Dashboard visual funcionando com dados reais.

Passo 4 — Feedback loop: padrões → Content Writer

Esta é a feature que fecha o ciclo:

Dex, implemente o feedback loop. O fluxo:

1. Analytics identifica padrões de sucesso 
   (endpoint /api/analytics/patterns)
2. Padrões são formatados como INSTRUÇÕES para o 
   Content Writer (documento legível por agente)
3. O Content Writer, ao gerar próximo conteúdo, lê 
   essas instruções e as incorpora

Exemplo concreto:
- Analytics identifica: "Posts com hook de pergunta 
  retórica têm 2x mais comentários"
- Instrução gerada: "Priorizar hooks com pergunta 
  retórica — dados mostram 2x mais comentários"
- Content Writer recebe essa instrução como contexto 
  adicional ao Voice Profile

Gere o documento de feedback em docs/content-feedback.md
e implemente um endpoint que retorne as instruções 
atualizadas.

Como verificar: Gere uma nova peça de conteúdo com o feedback loop ativo e compare com as peças da Aula 15 (sem feedback). O conteúdo deve refletir os padrões identificados:

# Gerar padrões
curl http://localhost:3000/api/analytics/patterns | jq

# Ver instruções formatadas para o Content Writer
curl http://localhost:3000/api/analytics/content-feedback | jq

# Verificar que docs/content-feedback.md existe e tem insights
cat docs/content-feedback.md

Checklist de avaliação do feedback loop

Padrões são traduzidos em instruções acionáveis?

Instruções são específicas (não "faça posts melhores")?

O documento é legível por outro agente (Content Writer)?

As instruções mudam conforme novos dados chegam?

O feedback inclui tanto "faça mais disso" quanto "evite isso"?

Se o feedback for genérico:

Dex, o content-feedback.md diz "publique conteúdo de 
qualidade". Isso não é insight — é obviedade. Os dados 
mostram padrões específicos. Preciso de instruções como: 
"Vertente quiz: abra com cenário prático (não pergunta 
direta) — posts assim tiveram 2x mais saves. Evitar 
posts > 2000 caracteres nesta vertente."

🏆 Checkpoint 4: Feedback loop funcional — padrões → instruções → Content Writer.

Passo 5 — QA Review do sistema

*exit

@qa

Quinn, revise o sistema de analytics e feedback loop.

Foco especial em:
- FASE 5: Os padrões identificados são estatisticamente 
  válidos? (com 30 posts, alguma conclusão pode ser espúria)
- FASE 8: Queries de analytics são eficientes? (não vão 
  travar com 1000 posts?)
- FASE 3: O que acontece se não houver dados suficientes 
  para um padrão? (divisão por zero? Null?)
- FASE 10: Os insights são documentados e versionados?

*review-build

Ciclo de correções padrão:

*exit
@dev
Dex, corrija as issues critical e high do QA.
*apply-qa-fix

*exit
@qa
Quinn, verifique as correções.
*verify-fix

🏆 Checkpoint 5 — VITÓRIA DA AULA: Analytics + Dashboard + Feedback loop + QA aprovado.

Passo 6 — Commit

*exit

git add .
git commit -m "feat: analytics engine, dashboard, and content feedback loop

- Analytics by vertical, time, hook type, post length
- Pattern detection with actionable insights
- Dashboard with charts and top performers
- Feedback loop: patterns → content instructions → Content Writer
- QA review fixes applied"

Reflexão

O squad agora é um sistema com inteligência

Olhe para a evolução ao longo das 4 aulas do módulo:

Aula 14: Arquitetura     → Squad definido (6 agentes, 4 workflows)
Aula 15: Voice + Content → Conteúdo gerado na sua voz
Aula 16: Backend         → Persistência + publicação + métricas
Aula 17: Analytics       → Padrões + feedback loop

O squad evoluiu de "configuração de agentes" para "sistema de inteligência de conteúdo". Não é mais "IA que escreve posts" — é plataforma que gera, publica, mede e melhora conteúdo continuamente.

O conceito-chave

O feedback loop data-driven é o que transforma um squad estático em um squad que evolui. Sem analytics, cada peça de conteúdo é uma aposta. Com analytics, cada peça é informada pelas anteriores. O squad não só gera conteúdo — ele aprende qual conteúdo funciona.

Conexão com a próxima aula

Na Aula 18 — a última do Bootcamp — fechamos tudo: automação end-to-end (scheduling semanal do squad), brownfield do protótipo Google AI Studio, deploy e a retrospectiva completa dos 3 projetos. Depois da Aula 18, o Bootcamp estará concluído e você terá 3 projetos reais funcionando.

Anterior: Aula 16 — Backend de Persistência e Analytics Próxima: Aula 18 — Automação, Brownfield e Consolidação do Bootcamp

Aula 17 — Analytics de Engajamento e Padrões