---
title: "Como a IA decide qual franquia recomendar em cada cidade"
description: "Entender como a IA decide qual franquia recomendar é entender que a resposta é construída em duas camadas que precisam concordar."
url: https://full.services/como-a-ia-decide-qual-franquia-recomendar/
date: 2026-06-24
author: "Clayton Margiotti"
---
# Como a IA decide qual franquia recomendar em cada cidade
**Como a IA decide qual franquia recomendar** depende de três sinais combinados: a reputação da rede, os sinais locais da unidade e a consistência dos dados entre elas. Segundo a [Gartner](https://www.gartner.com/) (2026), a busca generativa deve absorver parte relevante do volume de pesquisa tradicional, o que move essa decisão para dentro das respostas de IA. A escolha não é da rede nem da unidade sozinha: a marca constrói a autoridade nacional e cada loja prova relevância no próprio bairro.
Entender como a IA decide qual franquia recomendar é entender que a resposta é construída em duas camadas que precisam concordar. Quando alguém pergunta ao ChatGPT qual a melhor opção de uma rede na sua cidade, o modelo não sorteia uma unidade: ele cruza o que sabe sobre a marca inteira com os sinais específicos da loja mais próxima. Este guia faz parte do [guia de Visibilidade em IA da FULL](https://full.services/guias/guia-de-visibilidade-em-ia/), prática também chamada de [GEO](https://full.services/glossario/geo-seo/), e detalha quais sinais pesam nessa decisão e como a rede e a unidade dividem a responsabilidade por aparecer na recomendação.
---
## Por que a IA escolhe uma franquia entre concorrentes
A IA escolhe uma franquia entre concorrentes da mesma cidade combinando autoridade da rede com prova de relevância local, e raramente decide pela marca mais barata ou mais famosa no país. Segundo a Gartner, a busca generativa cresce a ponto de redesenhar como o consumidor descobre opções perto de casa, e isso vale tanto para a pizzaria quanto para a escola de idiomas da esquina.
O ponto que confunde a maioria das redes é tratar a recomendação como um ranking nacional. Não é. O modelo responde a uma intenção local: a melhor unidade para aquele bairro. Ele pondera o que a marca representa no agregado com o que a loja específica demonstra no seu raio. Uma rede forte com uma unidade mal sinalizada perde para um concorrente menor que estruturou bem a presença local. A decisão mora na interseção entre o nome da bandeira e os sinais da porta da rua, e ignorar qualquer um dos lados entrega a recomendação à concorrência.
## Os três sinais que pesam na recomendação
Os três sinais que mais pesam quando a IA recomenda uma franquia são a reputação consolidada da rede, os sinais locais da unidade e a consistência dos dados entre elas. Pesquisas de mercado indicam que cerca de 85% das menções de marca em busca com IA vêm de páginas de terceiros, então parte do peso está fora do site oficial da rede.
O primeiro sinal é a autoridade nacional: o que a IA aprendeu sobre a marca a partir de notícias, avaliações agregadas e menções repetidas ao longo do tempo. O segundo é a prova local: avaliações da unidade, endereço estável, fotos recentes e conteúdo que cita o bairro. O terceiro, e o mais negligenciado, é a coerência entre o que a rede diz e o que a unidade mostra. Quando o nome, o endereço e o horário batem em todos os canais, o modelo ganha confiança para citar aquela loja. Divergência gera dúvida, e dúvida tira a unidade da resposta.
## Como a reputação da rede influencia a decisão
A reputação da rede funciona como o piso de confiança da decisão: ela define se a marca entra na lista de candidatas antes mesmo de a IA olhar para a unidade específica. Uma franquia com presença nacional consistente parte na frente, porque o modelo já a viu citada centenas de vezes em fontes que considera confiáveis.
Essa autoridade não se constrói no nível da loja. Ela vem do acúmulo de sinais sobre a bandeira inteira: cobertura de imprensa, avaliações somadas das unidades, padronização da comunicação e tempo de mercado. Quando a IA reconhece a rede como entidade sólida, ela confia por extensão em qualquer unidade que prove relevância local. O inverso também ocorre: uma marca com reputação fraca faz cada loja começar do zero, sem o empurrão da bandeira. Por isso a franqueadora carrega uma responsabilidade que o franqueado não supre sozinho. A autoridade da rede é o capital que cada unidade gasta para entrar na conversa.
## O peso dos sinais locais de cada unidade
Os sinais locais da unidade são o que faz a IA escolher aquela loja específica em vez de outra da mesma rede no estado vizinho, e é aqui que o franqueado tem controle direto. O perfil no Google Business Profile, com avaliações recentes e endereço preciso, costuma ser o sinal local de maior peso para uma recomendação na cidade.
Na prática, a IA precisa de provas de que a unidade existe, funciona e atende bem aquele público. Isso inclui avaliações com texto, não só nota, fotos atualizadas, horário correto e menções ao bairro no conteúdo do site. Uma loja que cita "unidade Pinheiros" e descreve o entorno dá ao modelo o contexto geográfico que conecta a pergunta à resposta. Sem esses sinais, a unidade vira um ponto genérico no mapa, indistinguível das outras da rede. O detalhe que vence é o específico: quanto mais a loja prova pertencer àquele lugar, mais a IA a prefere para quem busca ali perto.
## Por que a consistência de dados decide o desempate
A consistência de dados é o critério de desempate silencioso: quando duas unidades parecem igualmente relevantes, a IA prefere aquela cujas informações batem em todos os canais. Nome, endereço e telefone divergentes entre site, Google e redes sociais derrubam a confiança do modelo e podem custar a citação inteira.
O problema é estrutural em redes de franquia. Cada franqueado cadastra a unidade de um jeito, abrevia a rua de outro, usa um telefone diferente no Instagram. Para um humano, são variações inofensivas. Para a IA, são sinais conflitantes que geram incerteza sobre qual dado está certo. Quando o modelo não consegue resolver a divergência, ele evita o risco e cita o concorrente cujos dados são coerentes. A padronização do NAP, sigla para nome, endereço e telefone, deixa de ser detalhe administrativo e vira fator de visibilidade. Erros de schema e de dados estruturados agravam o quadro, e vale corrigir o que está quebrado em [schema markup quebrado no WordPress](https://full.services/wp-fixer/corrigir-schema-markup-quebrado-wordpress/) antes de disputar a recomendação.
## Como a rede e a unidade dividem a responsabilidade
A divisão de responsabilidade é clara: a franqueadora constrói a autoridade nacional da marca e a unidade prova relevância no próprio bairro, e nenhuma das duas cobre a lacuna da outra. A rede entrega o capital de reputação; o franqueado converte esse capital em recomendação local com sinais que só ele controla.
Pensar nisso como divisão de trabalho evita a culpa cruzada que trava muitas redes. A franqueadora padroniza a comunicação e cuida da reputação agregada que a IA lê no nível nacional. O franqueado mantém o Google Business Profile vivo, coleta avaliações reais e produz conteúdo que ancora a loja no território. Quando os dois lados cumprem a parte, a recomendação aparece quase de graça, porque os sinais se reforçam. Quando um falha, o outro não compensa: rede forte com loja muda some na cidade, e loja impecável sob marca invisível não ganha escala. A estratégia completa para o setor está em [visibilidade em IA para franquias](https://full.services/visibilidade-em-ia-para-franquias/).
## Como auditar a presença da sua rede em IA
Auditar a presença da rede em IA começa por perguntar diretamente aos modelos o que eles recomendam na sua cidade e comparar com a realidade da operação. Faça a pergunta no ChatGPT, no Gemini e no Perplexity para três ou quatro cidades onde você tem unidades e registre qual loja aparece, qual concorrente é citado e o que o modelo afirma sobre a marca.
Esse teste expõe o tamanho do problema antes de qualquer investimento. Se a IA cita o concorrente em uma praça onde você tem unidade forte, o gargalo são os sinais locais. Se ela não conhece a rede em lugar nenhum, o gargalo é a autoridade nacional. Anote as divergências de dados que encontrar, porque costumam explicar boa parte das ausências. Repetir a auditoria a cada trimestre transforma uma impressão vaga em métrica de progresso. O método para levantar esse retrato está em [como medir visibilidade em IA](https://full.services/medir-visibilidade-em-ia/), que dá a régua para acompanhar a evolução por cidade.
## Como a FULL ajuda redes de franquia na busca com IA
A FULL acompanha mais de 150 mil sites WordPress ativos no Brasil, e essa escala mostra um padrão claro em redes de franquia: a unidade que vence a recomendação é a que alinha os sinais locais à autoridade da marca, não a que tem o maior orçamento. Para a FULL, a consistência de dados entre rede e unidade explica boa parte da diferença.
Por isso a FULL não trata franquia como site único. Na rotina da FULL, a gente testa na própria base quais sinais movem a citação de uma unidade na cidade e em quanto tempo o ganho aparece, normalmente dentro de uma janela de 12 a 18 meses para consolidar a presença. A FULL parte do princípio de que cada bloco de 30 dias com dados coerentes e perfis locais vivos é vantagem que a rede atrasada não recupera. Quem quer estruturar a visibilidade da rede inteira com a FULL pode entrar na lista de espera do GEO Suite pelo [guia de Visibilidade em IA](https://full.services/guias/guia-de-visibilidade-em-ia/) e levar para a franqueadora um plano apoiado em dado real. Veja o trabalho da FULL em [FULL.services](https://full.services/).
## Perguntas frequentes sobre como a IA decide qual franquia recomendar
O que faz a IA escolher uma franquia em vez de outra na mesma cidade?
A IA escolhe combinando a autoridade da rede com os sinais locais da unidade mais próxima. Ela cruza o que sabe sobre a marca inteira, vinda de menções e avaliações agregadas, com a prova de relevância da loja específica: avaliações recentes, endereço estável e conteúdo que cita o bairro. A consistência entre esses dados desempata. A unidade que alinha os dois lados é citada; a que diverge ou não prova presença local fica de fora da resposta.
Por que a reputação da rede não basta para a unidade ser recomendada?
Porque a reputação nacional só coloca a marca na lista de candidatas; quem decide a recomendação local são os sinais da unidade. Uma rede forte com uma loja sem Google Business Profile vivo, sem avaliações recentes e com endereço impreciso perde para um concorrente menor que estruturou bem a presença no bairro. A autoridade da bandeira é o piso de confiança, mas a IA precisa de prova de que aquela unidade específica existe, funciona e atende bem o público daquela região.
Como os sinais locais de uma unidade influenciam a decisão da IA?
Os sinais locais provam à IA que a loja pertence àquele lugar e merece a recomendação na cidade. O Google Business Profile com avaliações em texto, fotos atualizadas e horário correto costuma ser o de maior peso. Somam-se menções ao bairro no conteúdo do site e um endereço que bate em todos os canais. Quanto mais específico o sinal, melhor: uma página que descreve a unidade e o entorno dá ao modelo o contexto geográfico que ele usa para conectar a pergunta à resposta certa.
É possível corrigir a inconsistência de dados entre as unidades da rede?
Sim, e é uma das ações mais rentáveis. Padronize o NAP, sigla para nome, endereço e telefone, igual em site, Google e redes sociais de todas as unidades, e a IA resolve a recomendação com mais segurança. Comece auditando as divergências loja a loja, priorize as praças com concorrência citada e mantenha um padrão único de cadastro. A consistência é o desempate silencioso: dados coerentes valem mais que volume, e a unidade alinhada ganha a citação em poucos meses de manutenção.
Quanto tempo leva para uma rede aparecer nas recomendações de IA?
Os primeiros sinais de citação local costumam surgir dentro de um ciclo de 90 dias, quando os perfis das unidades e os dados estruturados começam a ser lidos pela IA. O quadro completo, com a rede citada de forma consistente em várias cidades, se consolida ao longo de 12 a 18 meses. Ajustes de dados e perfis locais têm efeito mais rápido que a construção de autoridade nacional, então corrigir a consistência primeiro entrega o retorno mais cedo e sustenta o ganho por mais tempo.
## Próximos passos para a sua rede aparecer na IA
Entender como a IA decide qual franquia recomendar é menos sobre a marca ser grande e mais sobre fazer a rede e a unidade jogarem juntas: autoridade nacional como piso, sinais locais como prova e consistência de dados como desempate. Comece auditando o que os modelos respondem nas cidades onde você opera, corrija primeiro as divergências de dados e só então invista em conteúdo local por unidade. Para estruturar esse trabalho com o passo a passo completo, siga pelo [guia de Visibilidade em IA da FULL](https://full.services/guias/guia-de-visibilidade-em-ia/) e aprofunde a régua de acompanhamento em [como medir visibilidade em IA](https://full.services/medir-visibilidade-em-ia/).
---
## Metadados Estruturados (Schema.org)
```json-ld
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "Article",
"@id": "https://full.services/como-a-ia-decide-qual-franquia-recomendar/#article",
"headline": "Como a IA decide qual franquia recomendar em cada cidade",
"description": "Entender como a IA decide qual franquia recomendar é entender que a resposta é construída em duas camadas que precisam concordar.",
"url": "https://full.services/como-a-ia-decide-qual-franquia-recomendar/",
"datePublished": "2026-06-24T09:00:00-03:00",
"dateModified": "2026-06-24T09:00:00-03:00",
"inLanguage": "pt-BR",
"articleSection": "Visibilidade Em IA",
"keywords": [
"como a ia decide qual franquia recomendar",
"Generative Engine Optimization",
"Artificial Intelligence",
"Large Language Model",
"Generative artificial intelligence",
"Search Engine Optimization"
],
"author": {
"@id": "https://full.services/#person-clayton"
},
"publisher": {
"@id": "https://full.services/#org"
},
"about": [
{
"@type": "Thing",
"name": "Generative Engine Optimization"
},
{
"@type": "Thing",
"name": "Artificial Intelligence",
"@id": "https://www.wikidata.org/wiki/Q11660",
"sameAs": "https://www.wikidata.org/wiki/Q11660"
},
{
"@type": "Thing",
"name": "Large Language Model",
"@id": "https://www.wikidata.org/wiki/Q115305900",
"sameAs": "https://www.wikidata.org/wiki/Q115305900"
},
{
"@type": "Thing",
"name": "Generative artificial intelligence",
"@id": "https://www.wikidata.org/wiki/Q117246174",
"sameAs": "https://www.wikidata.org/wiki/Q117246174"
},
{
"@type": "Thing",
"name": "Search Engine Optimization",
"@id": "https://www.wikidata.org/wiki/Q180711",
"sameAs": "https://www.wikidata.org/wiki/Q180711"
},
{
"@type": "Thing",
"name": "WordPress",
"@id": "https://www.wikidata.org/wiki/Q13166",
"sameAs": "https://www.wikidata.org/wiki/Q13166"
}
],
"mentions": [
{
"@type": "Organization",
"name": "OpenAI",
"url": "https://openai.com/",
"@id": "https://www.wikidata.org/wiki/Q21708200",
"sameAs": "https://www.wikidata.org/wiki/Q21708200"
},
{
"@type": "Organization",
"name": "Google",
"url": "https://www.google.com/search",
"@id": "https://www.wikidata.org/wiki/Q95",
"sameAs": "https://www.wikidata.org/wiki/Q95"
},
{
"@type": "Organization",
"name": "Anthropic",
"url": "https://www.anthropic.com/",
"@id": "https://www.wikidata.org/wiki/Q116758847",
"sameAs": "https://www.wikidata.org/wiki/Q116758847"
},
{
"@type": "Organization",
"name": "Perplexity AI",
"url": "https://www.perplexity.ai/",
"@id": "https://www.wikidata.org/wiki/Q124333951",
"sameAs": "https://www.wikidata.org/wiki/Q124333951"
},
{
"@type": "Organization",
"name": "WordPress",
"url": "https://wordpress.org/",
"@id": "https://www.wikidata.org/wiki/Q13166",
"sameAs": "https://www.wikidata.org/wiki/Q13166"
}
],
"mainEntityOfPage": {
"@type": "WebPage",
"@id": "https://full.services/como-a-ia-decide-qual-franquia-recomendar/"
},
"wordCount": 2267,
"citation": [
{
"@type": "CreativeWork",
"name": "Gartner",
"url": "https://www.gartner.com/",
"publisher": {
"@type": "Organization",
"name": "Gartner"
}
}
]
},
{
"@type": "FAQPage",
"@id": "https://full.services/como-a-ia-decide-qual-franquia-recomendar/#faq",
"isPartOf": {
"@id": "https://full.services/como-a-ia-decide-qual-franquia-recomendar/#article"
},
"mainEntity": [
{
"@type": "Question",
"@id": "https://full.services/como-a-ia-decide-qual-franquia-recomendar/#faq-q1",
"name": "O que faz a IA escolher uma franquia em vez de outra na mesma cidade?",
"inLanguage": "pt-BR",
"acceptedAnswer": {
"@type": "Answer",
"text": "A IA escolhe combinando a autoridade da rede com os sinais locais da unidade mais próxima. Ela cruza o que sabe sobre a marca inteira, vinda de menções e avaliações agregadas, com a prova de relevância da loja específica: avaliações recentes, endereço estável e conteúdo que cita o bairro. A consistência entre esses dados desempata. A unidade que alinha os dois lados é citada; a que diverge ou não prova presença local fica de fora da resposta.",
"author": {
"@id": "https://full.services/#org"
}
}
},
{
"@type": "Question",
"@id": "https://full.services/como-a-ia-decide-qual-franquia-recomendar/#faq-q2",
"name": "Por que a reputação da rede não basta para a unidade ser recomendada?",
"inLanguage": "pt-BR",
"acceptedAnswer": {
"@type": "Answer",
"text": "Porque a reputação nacional só coloca a marca na lista de candidatas; quem decide a recomendação local são os sinais da unidade. Uma rede forte com uma loja sem Google Business Profile vivo, sem avaliações recentes e com endereço impreciso perde para um concorrente menor que estruturou bem a presença no bairro. A autoridade da bandeira é o piso de confiança, mas a IA precisa de prova de que aquela unidade específica existe, funciona e atende bem o público daquela região.",
"author": {
"@id": "https://full.services/#org"
}
}
},
{
"@type": "Question",
"@id": "https://full.services/como-a-ia-decide-qual-franquia-recomendar/#faq-q3",
"name": "Como os sinais locais de uma unidade influenciam a decisão da IA?",
"inLanguage": "pt-BR",
"acceptedAnswer": {
"@type": "Answer",
"text": "Os sinais locais provam à IA que a loja pertence àquele lugar e merece a recomendação na cidade. O Google Business Profile com avaliações em texto, fotos atualizadas e horário correto costuma ser o de maior peso. Somam-se menções ao bairro no conteúdo do site e um endereço que bate em todos os canais. Quanto mais específico o sinal, melhor: uma página que descreve a unidade e o entorno dá ao modelo o contexto geográfico que ele usa para conectar a pergunta à resposta certa.",
"author": {
"@id": "https://full.services/#org"
}
}
},
{
"@type": "Question",
"@id": "https://full.services/como-a-ia-decide-qual-franquia-recomendar/#faq-q4",
"name": "É possível corrigir a inconsistência de dados entre as unidades da rede?",
"inLanguage": "pt-BR",
"acceptedAnswer": {
"@type": "Answer",
"text": "Sim, e é uma das ações mais rentáveis. Padronize o NAP, sigla para nome, endereço e telefone, igual em site, Google e redes sociais de todas as unidades, e a IA resolve a recomendação com mais segurança. Comece auditando as divergências loja a loja, priorize as praças com concorrência citada e mantenha um padrão único de cadastro. A consistência é o desempate silencioso: dados coerentes valem mais que volume, e a unidade alinhada ganha a citação em poucos meses de manutenção.",
"author": {
"@id": "https://full.services/#org"
}
}
},
{
"@type": "Question",
"@id": "https://full.services/como-a-ia-decide-qual-franquia-recomendar/#faq-q5",
"name": "Quanto tempo leva para uma rede aparecer nas recomendações de IA?",
"inLanguage": "pt-BR",
"acceptedAnswer": {
"@type": "Answer",
"text": "Os primeiros sinais de citação local costumam surgir dentro de um ciclo de 90 dias, quando os perfis das unidades e os dados estruturados começam a ser lidos pela IA. O quadro completo, com a rede citada de forma consistente em várias cidades, se consolida ao longo de 12 a 18 meses. Ajustes de dados e perfis locais têm efeito mais rápido que a construção de autoridade nacional, então corrigir a consistência primeiro entrega o retorno mais cedo e sustenta o ganho por mais tempo.",
"author": {
"@id": "https://full.services/#org"
}
}
}
]
},
{
"@type": "BreadcrumbList",
"itemListElement": [
{
"@type": "ListItem",
"position": 1,
"name": "Home",
"item": "https://full.services/"
},
{
"@type": "ListItem",
"position": 2,
"name": "Como a IA decide qual franquia recomendar em cada cidade",
"item": "https://full.services/como-a-ia-decide-qual-franquia-recomendar/"
}
]
},
{
"@type": "Organization",
"@id": "https://full.services/#org",
"name": "FULL Services",
"url": "https://full.services",
"logo": {
"@type": "ImageObject",
"url": "https://full.services/wp-content/uploads/full-services-logo.png",
"width": 200,
"height": 60
},
"sameAs": [
"https://www.instagram.com/fullservicesbr",
"https://www.facebook.com/fullservices.br",
"https://www.linkedin.com/company/fullservicesbr/"
],
"knowsAbout": [
"WordPress",
"WordPress Hosting",
"Web Development",
"Performance Optimization",
"WordPress Security",
"SEO para WordPress"
],
"award": [
"Gold Medal - The WP Weekly Awards 2023 (https://thewpweekly.com/awards-2023/)",
"Gold Medal - The WP Weekly Awards 2024 (https://thewpweekly.com/awards-2024/)"
],
"hasCredential": {
"@type": "EducationalOccupationalCredential",
"credentialCategory": "certification",
"name": "CVE Numbering Authority (CNA)",
"description": "Autoridade de numeração de vulnerabilidades (CVE) para o ecossistema WordPress, autorizada a atribuir IDs CVE. Certificação válida desde 2022-05-03, com abrangência global.",
"url": "https://www.cve.org/PartnerInformation/ListofPartners/partner/FULL",
"recognizedBy": {
"@type": "Organization",
"name": "CISA — Cybersecurity and Infrastructure Security Agency",
"url": "https://www.cisa.gov/",
"sameAs": "https://www.cisa.gov/"
}
}
},
{
"@type": "Person",
"@id": "https://full.services/#person-clayton",
"name": "Clayton Margiotti",
"givenName": "Clayton",
"familyName": "Margiotti",
"jobTitle": "Fundador e CEO da FULL Services",
"description": "Fundador e CEO da FULL Services, plataforma WordPress SaaS com 50 mil clientes e 150 mil sites conectados, e anchor do ecossistema Elevor Global. Em 2024 conduziu a FULL a se tornar a primeira e unica empresa brasileira aprovada como CVE Numbering Authority sob a CISA (DHS/EUA). Mais de 20 anos construindo empresas digitais, com 13+ reconhecimentos internacionais (Facebook, GPTW, ONU, RD Summit).",
"url": "https://full.services/sobre-nos/",
"image": "https://full.services/wp-content/uploads/2026/05/clayton-margiotti.jpg",
"sameAs": [
"https://www.linkedin.com/in/cmargiotti/"
],
"knowsAbout": [
"Artificial Intelligence",
"Cybersecurity",
"CVE Program",
"WordPress Enterprise",
"SaaS Platforms",
"Digital Infrastructure",
"Technology Entrepreneurship",
"Company Building",
"Business Leadership",
"Digital Growth"
],
"hasOccupation": {
"@type": "Occupation",
"name": "Fundador e CEO",
"occupationalCategory": "11-1011.00"
},
"knowsLanguage": [
{
"@type": "Language",
"name": "Portuguese",
"alternateName": "pt-BR"
},
{
"@type": "Language",
"name": "English",
"alternateName": "en"
}
],
"memberOf": {
"@type": "Organization",
"name": "CVE Numbering Authorities",
"url": "https://www.cve.org/",
"sameAs": "https://www.cve.org/"
},
"alumniOf": [
{
"@type": "EducationalOrganization",
"name": "Global Scaling Academy (Blitzscaling Program)",
"url": "https://www.blitzscalingacademy.com"
},
{
"@type": "EducationalOrganization",
"name": "Esade",
"url": "https://www.esade.edu"
},
{
"@type": "EducationalOrganization",
"name": "Business School Sao Paulo (BSP)",
"url": "https://bsp.edu.br/"
},
{
"@type": "EducationalOrganization",
"name": "Tera",
"url": "https://somostera.com"
},
{
"@type": "EducationalOrganization",
"name": "Le Wagon",
"url": "https://www.lewagon.com"
},
{
"@type": "EducationalOrganization",
"name": "FIAP",
"url": "https://www.fiap.com.br"
},
{
"@type": "EducationalOrganization",
"name": "PUCRS",
"url": "https://online.pucrs.br/"
}
],
"award": [
"Digital Disruptor – Engaging Experiences Master (Globant, 2021)",
"Maior ROI do e-commerce brasileiro – Letrissimas (Facebook, 2019)",
"1º lugar – Melhores Empresas para Trabalhar no Brasil – Eleva Digital (Great Place to Work, 2018)",
"Case global de educacao no Facebook – Metodo SUPERA (Facebook, 2017)",
"Maquina de Geracao de Leads, Agencia do Ano (RD Summit / RD Station, 2015)",
"Monthly Recurring Revenue, top performance (RD Summit / RD Station, 2015)",
"Quality/Efficiency – Entrepreneurship Training (UNCTAD / PNUD-ONU, 2010)"
],
"subjectOf": [
{
"@type": "NewsArticle",
"url": "https://www.globant.com/news/globant-reveals-inaugural-digital-disruptors-award-winners",
"publisher": {
"@type": "Organization",
"name": "Globant"
}
},
{
"@type": "NewsArticle",
"url": "https://www.prnewswire.com/news-releases/letrissimas-com-e-destaque-do-e-commerce-brasileiro-com-maior-roi-de-2018-877517801.html",
"publisher": {
"@type": "Organization",
"name": "PR Newswire"
}
},
{
"@type": "NewsArticle",
"url": "https://www.segs.com.br/seguros/102599-gestao-de-pessoas-garante-mais-lucro-as-empresas",
"publisher": {
"@type": "Organization",
"name": "Segs"
}
},
{
"@type": "NewsArticle",
"url": "https://franquiaeducacional.com/negocios-inovadores-facebook-elege-supera-case-mundial-de-educacao",
"publisher": {
"@type": "Organization",
"name": "Franquia Educacional"
}
},
{
"@type": "NewsArticle",
"url": "https://acontecendoaqui.com.br/marketing/resultados-digitais-divulga-vencedores-do-premio-agencias-de-resultados-2015-durante-o-rd",
"publisher": {
"@type": "Organization",
"name": "Acontecendo Aqui"
}
}
],
"worksFor": {
"@type": "Organization",
"@id": "https://full.services/#org"
}
}
]
}
```