Muitos problemas de produto e de negócio dão errado antes mesmo de as pessoas começarem a estudá-los. Isso acontece porque o time não concordou sobre qual problema está tentando resolver. Uma única pergunta pode fazer as pessoas pensarem na causa, no plano e na solução ao mesmo tempo.
Cada pessoa pode responder a uma pergunta diferente. Encontrar a causa, criar um plano e escolher uma solução são três tarefas distintas. Quando as pessoas misturam essas coisas, podem perder fatos importantes ou tomar decisões frágeis. Por exemplo, alguém pode achar que é a causa quando o time realmente precisa de um plano. Ou o time pode começar a discutir soluções antes de saber o que causou o problema.
Uma boa maneira de estudar um problema é seguir um de três caminhos claros. O time faz perguntas uma de cada vez e verifica se nada está sendo repetido ou deixado de lado. A IA pode ajudar nessas verificações. O gerente de produto ainda decide qual problema estudar, qual é o problema principal e quais perguntas o time deve responder.
Desembarace os ramos do pensamento
- Uma Why-tree (árvore do porquê) encontra causas. Sua raiz pergunta por que algo está acontecendo. Suas folhas listam possíveis causas. O resultado final é um conjunto de hipóteses testáveis.
- Uma What-tree (árvore do quê) divide o trabalho. Sua raiz pergunta qual trabalho uma entrega requer. Suas folhas listam análises, decisões, compromissos, artefatos ou processos. O resultado final é um plano na ordem correta.
- Uma How-tree (árvore do como) lista caminhos possíveis. Sua raiz pergunta como o time pode alcançar uma meta escolhida. Suas folhas listam ações concretas. O resultado final é um conjunto de opções ranqueadas.
Use Why para causas, What para unidades de trabalho e How para ações. Cada tipo de folha dá suporte a uma decisão diferente.
Exemplo
Entrada: "A ativação de novos usuários está com baixo desempenho. Precisamos decidir o que fazer."
O visual abaixo usa placeholders para os tipos de ramo e não contém descobertas sobre um produto real.
\\`text
WHY: Por que a ativação de novos usuários está com baixo desempenho?
├── 1. [Família de causas candidatas A]
├── 2. [Família de causas candidatas B]
└── 3. [Família de causas candidatas C]
Saída: hipóteses testáveis
WHAT: O que produzir um plano de ativação exige que desempacotemos?
├── 1. Evidências
│ └── 1.1 [ANÁLISE] Evidências que o plano precisa
├── 2. Escolhas
│ └── 2.1 [DECISÃO] Escolha que depende da análise
├── 3. Acordos
│ └── 3.1 [COMPROMISSO] Propriedade ou escopo a confirmar
└── 4. Síntese
└── 4.1 [SÍNTESE] Plano que depende dos ramos 1–3
Saída: plano de trabalho sequenciado
HOW: Como podemos aumentar a ativação de novos usuários?
├── 1. [Intervenção ligada a uma causa confirmada]
├── 2. [Intervenção ligada a outra causa confirmada]
└── 3. [Família de intervenções dentro das restrições definidas]
Saída: opções ranqueadas
\\`
Eu usaria Why aqui porque o time sabe que a ativação está baixa, mas não encontrou a causa. How seria adequado se o time soubesse a causa. What seria adequado se o time precisasse produzir um plano de ativação.
Verificações estruturais não provam que a árvore é verdadeira
As três árvores usam a mesma regra MECE.
Os ramos em cada nível não devem se sobrepor. Os ramos em cada nível devem cobrir todas as áreas importantes. Essa verificação ajuda o PM a identificar áreas que são cobertas por mais de um ramo e áreas que não são cobertas.
Quando enfrento um problema confuso, eu converso sobre o contexto com a IA. Uso a habilidade para rascunhar ramos, construir a árvore e executar as verificações MECE. Guardo o resultado no chat ou copio para o Miro ou outra ferramenta visual.
Torne o método repetível
Um gerente de produto pode construir uma árvore de problemas manualmente. Mas um time precisa fazer o mesmo trabalho repetidamente. Eles precisam criar ramos, colocá-los em ordem, verificar cada nível e desenhar uma árvore clara para muitos problemas diferentes.
Um agente de IA pode executar essas etapas repetidamente. O gerente de produto adiciona detalhes sobre o produto e decide como descrever o problema, nomear a questão principal e remover ramos desnecessários. Quando todos usam as mesmas etapas, os líderes de produto e revisores conseguem entender o trabalho mais facilmente. Eles podem ver por que o time construiu a árvore daquela maneira e verificar se ela cobre todo o problema sem repetir ideias.
Quando você enfrenta um novo problema, primeiro decida qual resposta você precisa. Você precisa encontrar as causas, criar um plano de trabalho ou pensar em diferentes opções? Então escolha Why, What ou How para corresponder a esse objetivo. Construa sua primeira árvore. Em seguida, procure um ramo que está faltando e um ramo que repete outra ideia antes de usar a árvore.
Se um time de produto quiser usar este método repetidamente, não deve pedir que cada gerente de produto construa todo o processo e verifique todas as regras manualmente. A IA pode fazer esse trabalho repetitivo para que o time possa gastar mais tempo resolvendo o problema.
Dê essa habilidade ao seu time
\mckinsey-issue-tree\ é uma das 243 habilidades de PM dentro do AI PM OS, o sistema operacional compartilhado para times de produto. Ele roda no Claude Code, Cowork ou Cursor e é atualizado pelo menos a cada 2 semanas, na versão 2.5.
Cada PM mantém seu próprio contexto de produto enquanto o time compartilha fluxos de trabalho e padrões de revisão, para que as árvores de problemas e planos analíticos sejam baseados no seu produto, seus usuários e suas restrições reais, em vez de conselhos genéricos de PM.
Você não precisa montar nada disso. O AI PM OS integra o \mckinsey-issue-tree\ na camada operacional do time, junto com fluxos de trabalho para estratégia, pesquisa, decisões, trabalho com stakeholders e medição.
