Desafio - LocalizaBike
Localiza Bike - entrando no mercado de mobilidade urbana
Um desafio fictício: e se a Localiza decidisse competir no segmento de bike sharing, concorrendo diretamente com a Bike Itaú? Do entendimento do usuário ao protótipo navegável.
Imagem da capa do MVP proposto para validação
Meu papel neste projeto foi de PO e UX Designer. O objetivo foi conduzir o processo completo de análise de pesquisa, priorização de funcionalidades até o de entrega de MVP de alta fidelidade para um app de bike sharing. (Entregáveis: Pesquisa · Persona · RICE · Protótipo)
O contexto
Por que a Localiza entraria em bike sharing?
A Localiza é referência em mobilidade no Brasil com seu modelo de aluguel de carros. O cenário de crescimento das ciclovias urbanas e da adoção de micro-mobilidade nas grandes cidades abre uma janela de oportunidade natural para expansão do portfólio — especialmente em São Paulo, onde a Bike Itaú (operada pela Tembici) já tem presença consolidada.
O desafio foi projetar um MVP de app para o serviço Localiza Bike, pensando na experiência do usuário do zero: quem é essa pessoa, o que a motiva a trocar de modal e quais funcionalidades são realmente prioritárias para o lançamento.
📈
Mercado em crescimento
Artigos de contexto indicavam aumento significativo na adoção de bicicletas como modal urbano em capitais brasileiras, acelerado pós-pandemia.
📅
Concorrente estabelecido
A Bike Itaú opera com plano mensal a R$43,90 em SP, com até 4 viagens diárias de 45 min. Referência clara de modelo de negócio e benchmarking de UX.
▶️
Brand fit da Localiza
A marca já é associada a mobilidade e conveniência, o que reduz a barreira de adoção para usuários que já conhecem o ecossistema Localiza.
Pesquisa Quantitativa
Uma pesquisa com 100 respondentes foi conduzida para entender os hábitos de deslocamento urbano. Os resultados foram analisados em dashboard e revelaram padrões claros sobre quem é o potencial usuário e quais são suas principais dores.
À partir da pesquisa foi gerado um dashboard no DataStudio do Google para análise dos dados.
A maioria dos respondentes que usa ônibus ou metrô gasta R$120/mês e mora a menos de 5km do trabalho — exatamente o perfil ideal para bike sharing como alternativa de custo-benefício e eficiência.
Persona
A síntese da pesquisa quantitativa apontou um perfil dominante: jovem profissional urbano, usuário de transporte público por custo, mas insatisfeito com a experiência. A persona foi construída para manter esse grupo como foco de todas as decisões de design e produto.
Priorização de Funcionalidades
RICE: o que entra no MVP
Com as necessidades da persona mapeadas, listamos as funcionalidades candidatas e aplicamos o framework RICE (Reach · Impact · Confidence · Effort) para decidir o que priorizar no lançamento. O score final orienta o backlog de forma racional e defensável.
Lógica de priorização: As duas funcionalidades com score 112 (planos flexíveis e verificação de disponibilidade em tempo real) endereçam diretamente as dores de custo-benefício e confiabilidade identificadas na pesquisa. O cadeado embutido (score 98) responde à necessidade de segurança da persona e diferencia o produto do concorrente direto.
Processo de Design
Do problema à tela navegável
- Descoberta e contexto de mercado – Levantamento de notícias e dados de crescimento da micro-mobilidade urbana. Análise da Bike Itaú como benchmark de produto e modelo de negócio (planos, UX, fluxo de onboarding).
- Pesquisa quantitativa – Aplicação de survey com 100 respondentes. Análise em dashboard para identificar perfis, modais mais usados, faixas de gasto e principais dores – base para a persona.
- Definição de persona e oportunidade – Síntese dos dados em perfil de usuário central (João, 24 anos, setor financeiro). Mapeamento de necessidades, objetivos e comportamentos de deslocamento.
- Priorização RICE – Levantamento de funcionalidades candidatas e aplicação do framework RICE para definir o escopo do MVP de forma objetiva e alinhada às necessidades do usuário.
- Wireframes de baixa fidelidade – Sketches dos principais fluxos: onboarding, mapa de estações, seleção de plano e reserva de bike. Foco em estrutura e navegação, sem definições visuais.
- Testes de navegação – Validação dos wireframes com usuários para identificar pontos de fricção no fluxo antes de partir para o visual.
- Protótipo de alta fidelidade – Aplicação da identidade visual da Localiza (verde, tipografia e componentes) no protótipo navegável, cobrindo os fluxos prioritários definidos pelo RICE.
- Refinamento e MCP (Novo): Uso de IA no pós-design para adaptação de fluxos e aceleração do protótipo navegável final.
Protótipos
Wireframes e alta fidelidade
O processo percorreu dois momentos de prototipagem. Primeiro, wireframes de baixa fidelidade para validar estrutura e fluxo, sem visuais que distraíssem do teste de navegação. Depois, o protótipo navegável em alta fidelidade com a identidade da Localiza.
Fluxos cobertos no protótipo
- Onboarding – Splash · ativação de localização · login ou cadastro em etapas simples · conta criada com confirmação visual.
- Mapa e estações – Mapa em tela cheia com pins de estações disponíveis · busca de localização · card de detalhes da estação (bikes disponíveis, cadeado, segurança).
- Seleção de plano – Tela de planos (Diário 2h, Mensal, Família) com modal de detalhes e confirmação de contratação · feedback de sucesso.
- Reserva – Botão de reserva na ficha da estação · seleção de ponto de retirada inicial após contratação do plano.
Nota de benchmarking: O fluxo de onboarding foi comparado ao do app Tembici (Bike Itaú), que usa phone number como primeiro dado e Google OAuth como atalho. A Localiza Bike priorizou login/e-mail mais tradicional no MVP, alinhado ao padrão do ecossistema já existente da marca.
Protótipo Navegável de Alta Fidelidade & Engenharia de Prompt
Após alinhar os processos e fluxos iniciais, integrei ferramentas de Inteligência Artificial para acelerar o desenvolvimento do protótipo e testar a viabilidade técnica do design.
- Identidade Visual Traduzida: Utilizei a ferramenta Stitch (Google) para cruzar a estrutura prévia do aplicativo com o ecossistema visual da Localiza, migrando o resultado para o Figma.
- Construção do Design System: Com ajustes manuais de refinamento finalizados, orientei o Claude na estruturação de um Design System robusto para o projeto, garantindo consistência em todos os componentes.
- Prototipagem Co-criada: Conduzi a IA no desenvolvimento do protótipo navegável, refinando detalhes iterativamente e assegurando o respeito estrito aos design tokens mapeados.
Por fim, gerenciei o deploy automatizado diretamente para o GitHub e realizei a hospedagem do produto final em meu site.
Aprendizados - O que esse case ensina
Dados justificam decisões – O RICE tornou a conversa sobre backlog mais objetiva. Funcionalidades que parecem óbvias podem ter score baixo — e isso abre espaço para a discussão real de prioridade.
Pesquisa revela o óbvio não dito – Que pessoas que moram a 3km do trabalho e pagam R$120/mês de ônibus são candidatos naturais ao bike sharing parece óbvio, mas sem dados, vira suposição.
Low-fi antes do visual – Testar estrutura antes de aplicar cor e marca economiza retrabalho. Problemas de fluxo resolvidos em wireframe custam minutos, não horas de redesign.
Concorrente como régua – Ter a Bike Itaú como benchmark deixou claro onde diferenciar (cadeado embutido, plano familiar) e onde apenas parear (mapa, onboarding digital).
IA no pós-design e entrega – O uso de Inteligência Artificial após a concepção do design acelerou o refinamento do MVP. A adaptação do projeto via MCP (Model Context Protocol) e a automação na geração do protótipo navegável otimizaram a transição entre a ideia e o teste, eliminando gargalos técnicos de execução.