Em 2025, a PM3 ouviu 2.090 profissionais de produto em todo o Brasil. O salário médio de Product Manager subiu 9,89%. O de Product Owner caiu 5,9%. Os dois cargos aparecem lado a lado nas vagas, mas o mercado já paga de forma diferente por eles. A diferença está no que cada um decide.
Este roteiro serve para atravessar essa distância. Os modelos tradicionais de formação giravam em torno de marketing, requisitos e gestão de stakeholders. Hoje as empresas pedem mais. Querem alguém que leia dados de comportamento, entenda a economia do produto, saiba como um modelo de IA funciona e aprenda rápido com testes.
O caminho tem três fases, que cobrem cerca de dez anos de carreira: Fundamentos, Prática central e Capacidade estratégica avançada. Não são níveis para "concluir". São camadas que se somam. Um PM sênior continua fazendo discovery, só que sobre problemas maiores.
O roteiro foi pensado para quem estuda por conta própria, no Brasil ou em Portugal, sem depender de matrícula. Cada fase termina com marcos que dá para verificar e com artefatos que você pode mostrar numa entrevista. Aqui a pergunta é: o que fazer, em que ordem e como saber que você aprendeu.
Os primeiros doze meses: fundamentos
Esta fase é para quem está começando ou vem de design, engenharia, marketing, operações, CS ou de um negócio próprio. O objetivo é criar um reflexo: ligar cada decisão a um problema do cliente e a um número que você consegue medir. Decorar frameworks não ensina isso.
Tudo começa pela mentalidade de produto. Primeiro vem o problema. Depois vêm o ciclo de vida do produto, a proposta de valor, os segmentos de clientes e o trabalho junto com engenharia e design. Sobre essa base entram as ferramentas do dia a dia: frameworks de discovery e priorização (Opportunity Trees, JTBD, Kano), o PRD enxuto, o roadmap, Agile e Kanban vistos pelo PM e as user stories.
O discovery começa aqui, com uma regra simples: pesquisar antes de construir. Na prática, você entrevista usuários, formula hipóteses e tenta derrubá-las, anota o que está supondo e testa protótipos baratos.
Em paralelo vêm os dados. O iniciante precisa separar sinal de ruído. Isso quer dizer conhecer os tipos de métrica (ativação, retenção, engajamento), ler um funil, montar uma coorte e reconhecer uma métrica de vaidade. Some a isso SQL básico (select, join, group by) e noções de gráficos.
Fecha o ciclo a comunicação. Escrever com clareza. Alinhar stakeholders. Mediar conflitos. Explicar por que uma decisão foi tomada. É aí que começa a liderança sem cargo.
O maior risco desta fase é confundir vocabulário com competência. Recitar JTBD ou desenhar uma Opportunity Tree no quadro é fácil. Difícil é usar essas ferramentas para decidir o que não construir. Um teste simples mostra se os fundamentos pegaram. Um stakeholder pede uma feature. Você consegue dizer, com um dado na mão, se ela resolve um problema real ou só enche o roadmap? Quem termina esta fase costuma ter feito de dez a quinze entrevistas de verdade. Já viu uma hipótese própria cair pelo menos uma vez. E escreveu um PRD que um engenheiro leu sem pedir tradução.
Quem já trabalha com produto costuma torcer o nariz para roteiros assim. Produto se aprende no trabalho, dizem, e um ano estudando sozinho rende menos que três meses num time de verdade. Para quem já tem acesso a um time, isso costuma ser verdade. Nesse caso, o roteiro vira uma lista do que procurar dentro da empresa.
Para quem vem de outra área e não tem esse acesso, o argumento perde força. O processo seletivo pede prova antes de dar a vaga. A regra fica assim: se você já participa de decisões de produto no emprego atual, use os marcos abaixo como metas internas. Se não participa, construa os artefatos por fora e leve-os para a entrevista.
Marcos verificáveis do primeiro ano
Um ano de estudo sem marcos vira uma pilha de cursos assistidos. Quatro checkpoints, cada um com um entregável, dão ritmo e servem de prova:
- Mês 3: dez entrevistas com usuários reais, resumidas numa página de padrões, com pelo menos uma hipótese sua derrubada por elas. Se você ainda não é PM, entreviste usuários do produto da empresa onde trabalha ou de uma ferramenta interna que o seu time usa.
- Mês 6: uma análise de funil ou de retenção feita por você em SQL, do dado bruto ao gráfico. Sem acesso aos dados da empresa, dá para praticar com a Base dos Dados, iniciativa brasileira que publica bases públicas tratadas num datalake gratuito no BigQuery. O exercício de agregar, cruzar tabelas e explicar uma curva é o mesmo.
- Mês 9: um PRD de uma página revisado por um engenheiro e uma priorização de backlog defendida em reunião, com o que ficou de fora e por quê.
- Mês 12: um caso escrito de duas páginas (problema, dados disponíveis, alternativas descartadas, decisão, o que aconteceu depois). É esse documento, e não o certificado, que costuma pesar num processo seletivo.
Para conferir se cada marco pegou, use os testes de habilidades do netpy, que também existem em português (os nomes dos testes ficam em inglês). Mastering Product Analytics, depois do mês 6, mostra se funil, coorte e eventos já estão firmes. O teste Product Management, no mês 12, cobre o resto do ano. Cada teste tem 80 perguntas divididas por módulo, então o resultado aponta o módulo fraco.
Agora, a porta de entrada. No Brasil, muitas vagas de começo de carreira aparecem como Product Owner, sobretudo em empresas organizadas em squads. Às vezes o anúncio descreve um gestor de backlog sem poder sobre o que se constrói. A queda do salário de PO na pesquisa da PM3 combina com isso: o cargo recebe muita gente em início de carreira. Pergunte na entrevista quem decide o roadmap. A resposta evita aceitar um cargo que não treina metade das competências deste roteiro.
Os formatos de estudo também mudam de um país para outro. No Brasil cresceram as escolas de produto online. A própria PM3, fundada em 2018 e com participação do grupo Alura, começou com três cursos: Product Management, Product Discovery e Product Growth. Na mesma pesquisa, os profissionais apontaram Nubank e iFood como as empresas brasileiras mais admiradas em produto. Em Portugal o mercado é menor, e os encontros presenciais ajudam a conhecer quem contrata. O ProductTank Porto, da rede Mind the Product, tem cerca de 1.400 membros e faz encontros em empresas de tecnologia da cidade.
Portugal tem ainda um apoio público. O Cheque-Formação + Digital do IEFP reembolsou até 750 euros a cada 12 meses a trabalhadores que fizeram cursos certificados de competências digitais, como análise de dados. As candidaturas da última fase iam até junho de 2026, então confirme no IEFP se há uma nova edição antes de contar com esse dinheiro.
Do primeiro ao quinto ano: prática central
Aqui o PM aprofunda o lado técnico. Passa a responder por um problema inteiro do produto e aprende a trabalhar de verdade com dados e com IA. A diferença em relação à fase anterior é de profundidade. Não basta ler uma métrica. É preciso desenhá-la, explicá-la e influenciá-la.
Em métricas, você sai da leitura e chega ao desenho. Monta o sistema de métricas do time e cuida da instrumentação: quais eventos registrar, com que nome e em que plano de rastreamento. Define e mantém uma North Star. Separa os indicadores que avisam antes (antecedentes) dos que só confirmam depois (consequentes). Lê curvas de retenção. Divide o crescimento em usuários novos, que voltaram e que saíram (growth accounting). Mede o uso de cada funcionalidade. E explica em voz alta o trade-off quando duas métricas puxam para lados opostos.
A experimentação passa a ser o jeito padrão de decidir. Você formula hipóteses que um resultado pode derrubar. Calcula quantos usuários o teste precisa para enxergar o efeito. Define a métrica principal e as métricas de salvaguarda, que não podem piorar. Escolhe o formato: A/B simples, várias variantes ao mesmo tempo, ligar e desligar a mudança em períodos alternados, ou um teste que mede só o efeito adicional. E domina o básico de causa e efeito. É o que separa "a métrica subiu" de "a nossa mudança fez a métrica subir".
É também aqui que aparecem os erros mais silenciosos. Olhar o resultado todo dia e desligar o teste quando fica verde aumenta o falso positivo. O limiar de 5% só vale para quem olha o resultado uma vez. Cada espiada a mais é uma nova chance de pegar um pico de ruído. Rodar com poucos usuários quase garante um resultado inconclusivo. Escolher a métrica principal depois de ver os dados transforma ruído em "vitória". O PM que amadurece fixa hipótese, métrica e critério de parada antes de ligar o teste. E trata um resultado negativo e sem graça como informação útil. Essa disciplina importa porque a maioria das ideias perde. Quem não aceita o negativo acaba fabricando positivos.
Dimensionar um teste cabe numa conta de guardanapo. Uma regra prática bastante usada, para 5% de significância e 80% de poder, estima o tamanho por variante como 16 × p × (1-p) / δ². Aqui p é a conversão de base e δ é a diferença absoluta que você quer detectar. Imagine um app de delivery com conversão de 8% no checkout. Você quer detectar uma subida para 9%. A conta é 16 × 0,08 × 0,92 / 0,01², ou cerca de 11.800 usuários por variante.
Se esse checkout recebe 1.500 visitantes por dia, divididos em duas variantes, o teste precisa de uns 16 dias. Melhor rodar três semanas completas, por causa do efeito do dia da semana. Quer detectar uma subida de 8% para 8,5%? A amostra quadruplica, e o teste chega perto de dois meses. É essa conta que mostra, antes de ligar o experimento, se ele vale a pena.
O letramento em IA entra como capacidade de produto, sem virar jargão. O PM entende, em linhas gerais, como um modelo funciona e onde ele falha. Ele demora para responder. Custa caro. Piora com o tempo quando os dados mudam (drift). E pode tratar grupos de forma desigual (viés). O PM sabe dizer onde a IA resolve um problema real e onde é enfeite. Define o que é "qualidade suficiente" e como medir isso. Conhece os padrões de UX para recursos com IA e as questões de ética, segurança e governança. Isso vale para recomendação, classificação, copilotos, respostas baseadas em documentos da empresa (RAG) e previsões.
Três competências completam a fase. A primeira é o letramento técnico: como sistemas trocam dados por APIs, como os dados circulam (pipelines), por que sistemas grandes quebram, como ler um diagrama de arquitetura e como negociar estimativas. A segunda é a economia do produto: unit economics, testes de preço, freemium e cobrança por uso, margem de contribuição, LTV, CAC, payback e TAM/SAM/SOM. A terceira é a liderança de entrega: backlog, escopo, riscos, preparação de release e coordenação entre engenharia, design e negócios.
A economia do produto separa o PM intermediário do júnior. É ela que evita decisões que parecem boas e destroem margem. Um recurso gratuito que aumenta o uso pode elevar o custo de servir e piorar a margem por usuário. Um desconto que melhora a conversão encurta o payback no papel. Mas, se atrair clientes que cancelam cedo, o payback fica mais longo. Um modelo de unit economics ajuda a ver esses riscos antes do lançamento, desde que as premissas estejam escritas e sejam revisadas.
Marcos da prática central
Nesta fase os marcos deixam de ser mensais e passam a seguir o ciclo de planejamento. Cada um continua exigindo um artefato:
- um plano de rastreamento escrito por você e de fato implementado, com os eventos que alimentam a North Star do seu time;
- três experimentos com hipótese, métrica principal, métricas de salvaguarda e critério de parada registrados antes do início, incluindo pelo menos um resultado negativo lido e documentado sem maquiagem;
- um modelo de unit economics na moeda do seu mercado, reais ou euros, que tenha sobrevivido a uma conversa com finanças.
No Brasil esse modelo tem duas armadilhas próprias. A primeira é o mix de meios de pagamento. Pix, boleto e cartão parcelado têm custos e prazos de recebimento diferentes. Uma promoção que empurra o cliente para o parcelado pode melhorar a conversão e piorar o caixa ao mesmo tempo.
A segunda é o custo em dólar, como APIs de modelos de IA ou nuvem. Um exemplo inventado: a inferência custa US$ 0,50 por usuário ativo e o plano custa R$ 24,90. Com o dólar a R$ 5,00, o custo é R$ 2,50, cerca de 10% da receita. Com o dólar a R$ 6,00, vira R$ 3,00 sem que nada no produto tenha mudado. Por isso o modelo precisa de um cenário de câmbio. Em Portugal a receita é em euros, mas a mesma conta vale quando o fornecedor cobra em dólar.
Depois do quinto ano: capacidade estratégica avançada
Para Senior, Lead, Principal PM e PM Manager, o foco passa de um produto para um portfólio, e de trimestres para anos. Pensar em portfólio é ver como as linhas de produto dependem umas das outras e o que pode ser construído uma vez e usado por todas. É também decidir qual produto recebe investimento primeiro, já descontando o risco.
A decisão de longo prazo pede cenários, leitura de mercado, análise da concorrência, atenção à regulação e avaliação de apostas grandes. Em produtos de IA, isso vira roadmap de modelos, estratégia de dados de treinamento, infraestrutura, princípios de IA responsável e métricas próprias (acerto, cobertura, tempo de resposta, custo por consulta).
Entram também o desenvolvimento do time (mentoria, matrizes de competência, comunidades de prática) e a conversa com a diretoria. Isso inclui falar a língua da liderança, montar uma narrativa que convença um investidor, explicar os trade-offs e defender uma visão de produto.
A passagem para esse nível costuma doer mais que as anteriores, porque muda o tipo de retorno. No começo da carreira o retorno é rápido: a feature saiu, a métrica mexeu. No portfólio, a ligação entre decisão e resultado fica turva. Uma aposta em plataforma pode levar um ano para provar que valeu. Por isso a comunicação executiva deixa de ser "apresentar bem". Ela passa a liberar recursos. Sem uma narrativa que ligue a escolha técnica ao resultado de negócio, a melhor estratégia morre no comitê.
A regulação também entra na conta. No Brasil, o PL 2338/2023, que cria o marco legal da IA, foi aprovado no Senado em dezembro de 2024. Em outubro de 2026 ainda aguardava parecer numa comissão especial da Câmara. Em Portugal, como no resto da União Europeia, já está em vigor o Regulamento europeu de IA, com regras que entram em aplicação por etapas. Nenhum desses textos muda o essencial para quem monta o próprio plano. O mercado favorece o PM que sabe explicar quando um modelo erra, quem responde por esse erro e como o produto se comporta quando o modelo falha.
Perguntas de quem está montando o próprio plano
Qual é a competência mais decisiva para PMs hoje?
Letramento em IA junto com experimentação. Entender os limites de um modelo evita prometer o que ele não entrega. Testar com método evita confundir coincidência com causa.
PMs iniciantes precisam de uma base técnica forte?
Não em nível de engenharia. Mas precisam de intuição técnica: como funcionam APIs, o que significam os termos de arquitetura e como um modelo se comporta. O suficiente para negociar prazos e limites.
Como acelerar o crescimento na carreira intermediária?
Escolhendo profundidade em vez de amplitude. Dominar métricas, monetização e IA costuma abrir mais responsabilidade do que juntar frameworks. São essas competências que permitem assumir um problema inteiro do produto.
Para que servem as matrizes de competência?
Para tornar visível o que costuma ficar implícito: o que se espera em cada nível, as lacunas concretas e o próximo passo. Sem elas, "senioridade" vira opinião. Com elas, vira um conjunto de comportamentos que dá para observar.
Dá para fazer este caminho sem pagar curso?
Boa parte dele, sim. Discovery, métricas, SQL e experimentação estão bem documentados em livros, na documentação das ferramentas e em bases públicas. O difícil é conseguir de graça um bom retorno sobre as suas decisões. Faça a pergunta incômoda: quantas horas de vídeo você assistiu no último trimestre, e quantas decisões suas alguém revisou? Para quem estuda sozinho, o melhor investimento costuma ser o tempo de alguém mais experiente revisando os artefatos dos marcos.
Escolha duas competências para os próximos seis meses
Volte aos números do começo. Se a sua vaga atual ou a próxima se chama Product Owner, as duas competências que mais aproximam você de um cargo de PM são experimentação e economia do produto. São elas que tiram o trabalho do backlog e o levam para a decisão. Se você já é PM, escolha as duas que hoje mais limitam as suas decisões.
Amarre cada uma a um artefato. Se for experimentação, o entregável é um teste desenhado, rodado e lido do início ao fim. Se for monetização, é um modelo de preço que sobreviva a uma conversa com finanças. Competência que não vira decisão registrada some no trimestre seguinte.
Daqui a seis meses, ponha lado a lado duas decisões parecidas, uma de antes e outra de depois. Se você não conseguir apontar o que mudou no seu raciocínio, a competência ainda não pegou.