Como uma agência de publicidade saiu de R$ 70 mil para R$ 3 mil por ano na estrutura de dados
- −95%
- no custo anual da estrutura
- < 5 meses
- para o projeto se pagar
- 2 meses
- de projeto, ponta a ponta
Não foi corte de escopo: a agência passou a extrair, transformar e visualizar os mesmos dados, com mais gente sabendo operar e menos risco de perda. O que mudou foi a arquitetura.
Uma agência de publicidade brasileira pagava cerca de R$ 70 mil por ano para manter os dados de mídia dos clientes funcionando: US$ 749 por mês na ferramenta de extração, com reajuste anual, e mais R$ 1.500 a 2.000 por mês de nuvem. Havia ainda uma licença de Power BI sendo paga e não usada.
Depois da reestruturação, a mesma operação custa cerca de R$ 3 mil por ano.
O que estava caro, e por quê
Nada na estrutura antiga era irracional. Cada peça tinha sido escolhida para resolver um problema real, num momento em que resolvia. O custo veio da soma.
Extração cobrada em dólar
Ferramenta com reajuste anual: o tipo de linha que cresce sozinha no orçamento.
Transformação em funções avulsas
Cloud Functions escritas caso a caso: funcionavam, mas cada regra nova exigia código novo, e ninguém conseguia olhar o conjunto e entender o caminho de um dado do começo ao fim.
Sem camada bruta preservada
O armazenamento ia direto para o BigQuery. Um erro de transformação não tinha para onde voltar: o dado original já não existia em lugar nenhum.
Licença paga e não usada
Power BI pago todo mês sem uso: o custo mais comum e mais invisível em estrutura de dados, o de algo que se contratou para um plano que mudou.
O que foi trocado, peça por peça
| Camada | Antes | Depois |
|---|---|---|
| Extração | Funnel.io — US$ 749/mês, com reajuste anual | Fivetran, dentro do volume gratuito |
| Armazenamento | Direto no BigQuery | Cloud Storage (dado físico) + BigQuery (só o lógico) |
| Transformação | Cloud Functions avulsas | dbt, documentado e versionado no Git |
| Modelagem | — | Arquitetura medalhão no BigQuery |
| Visualização | Looker Studio + licença de Power BI paga e não usada | Dashboards próprios em HTML — ~R$ 0,15/mês de hospedagem |
| Total anual | ~R$ 70 mil | ~R$ 3 mil |
Extração: Funnel.io → Fivetran. Extraindo só o que a operação de fato consome, o volume cabe na faixa gratuita da ferramenta. A escolha não foi "usar o de graça": foi descobrir quanto dado estava sendo movido sem necessidade.
Armazenamento: BigQuery direto → Cloud Storage + BigQuery. O dado físico passou a ser guardado no Storage, e o BigQuery consome só a camada lógica. Isso separa o que é arquivo do que é consulta: se uma transformação sai errada, o original continua lá para reprocessar. É a diferença entre um erro custar uma tarde e custar um mês.
Transformação: Cloud Functions → dbt. Cada regra virou um modelo versionado no Git, com documentação gerada automaticamente e a linhagem visível: dá para clicar num número e ver de onde ele veio. Antes, mudar uma regra significava mexer em código solto; agora significa alterar um modelo e ver o que depende dele antes de aplicar.
Modelagem: arquitetura medalhão. Os dados passaram a ser organizados em camadas sucessivas (bruto, tratado, pronto para consumo). Cada camada tem uma responsabilidade só, então o erro aparece na camada em que nasceu, não três passos depois.
Visualização: Power BI → dashboards próprios. Painéis em HTML conectados diretamente ao banco, hospedados na nuvem. O custo de servir esses dashboards ficou em torno de R$ 0,15 por mês: não é licença por usuário, é hospedagem, e hospedagem de página conectada a banco custa centavos. Além de mais barato, ficou mais controlável: a agência decide o que cada cliente vê.
O ganho que não aparece na planilha
Antes, o processo inteiro estava na cabeça de uma pessoa. Não por má gestão: foi quem construiu, e o conhecimento ficou onde foi criado. Mas isso é um risco que ninguém lança no orçamento: férias, saída ou uma semana de doença travavam a operação de dados de uma agência inteira.
Hoje o processo está documentado no dbt e versionado no Git. Mais de uma pessoa consegue mexer, e quem entra novo consegue entender sozinho o caminho de um dado.
Se fosse para escolher entre a economia e isso, a agência escolheria isso. Os R$ 67 mil por ano são o argumento que abre a conversa; a documentação é o que muda o dia a dia.
Quanto tempo levou e quanto custou
- 2 meses de projeto, time inteiro dedicado
- R$ 26 mil, em duas parcelas de R$ 13 mil
- Pago em menos de 5 meses de economia
- ~R$ 41 mil líquidos no 1º ano; do 2º em diante, economia integral
É por isso que a gente cobra por projeto fechado e não por hora. O trabalho tem um fim, e o valor dele é medível contra uma conta que já existia. Ver como funciona o investimento.
Isso serve para a minha empresa?
Não serve se a sua operação ainda não tem dados em volume: o retorno aqui vem de eliminar custo recorrente e risco, e os dois precisam existir antes. O serviço por trás deste projeto é o Data Stack Pro.
Ferramenta de dados cobrada em dólar, com reajuste anual, que ninguém revisou desde que foi contratada
Transformações espalhadas em scripts ou funções avulsas, sem um lugar onde dê para ver o caminho completo de um dado
Licença de BI sendo paga por gente que não abre
Uma pessoa só que entende como tudo funciona
Perguntas frequentes
As dúvidas mais comuns sobre este projeto já estão respondidas aqui. Assim, quando a gente se falar, a conversa será sobre o seu cenário.
R$ 26 mil, em duas parcelas de R$ 13 mil, com escopo fechado antes de começar.
Dois meses, com o time dedicado ao projeto — a estrutura foi reconstruída de ponta a ponta nesse período.
Menos de cinco meses. A economia do primeiro ano foi 2,6 vezes o valor investido; do segundo ano em diante, ela é integral.
Não — depende de quanto a estrutura atual está custando a mais. O retorno vem de eliminar custo recorrente e risco; os dois precisam existir antes. É a conta que fazemos no diagnóstico.
Quer saber o que a sua estrutura está custando a mais?