Quase toda grande operação de varejo, mobilidade, serviços financeiros ou consumo possui hoje dezenas de milhões de linhas de histórico transacional. Ainda assim, é surpreendentemente comum que um cliente fiel receba uma notificação empurrando desconto de primeira compra minutos depois de sair de uma loja física ou encerrar um atendimento no aplicativo. O problema raramente é falta de dados: é fragmentação de identidade e ausência de contratos de eventos entre engenharia, dados e canais de negócio.
Ao liderar a construção de produtos digitais orientados a conversão, avaliação 4.8 nas lojas de aplicativos e motores de promoções integrados a centenas de pontos de atendimento, fica evidente que uma estratégia sólida de CDP (Customer Data Platform) e Visão 360 do Cliente (Customer 360) depende muito mais de arquitetura de engenharia e governança do que da compra de mais um software de prateleira.
1. Resolução de Identidade (Identity Resolution): a fundação do Customer 360
Antes de falar em personalização ou propensão de compra por inteligência artificial, a engenharia precisa responder com segurança a uma pergunta elementar: quem é esta pessoa através dos canais?
Um mesmo consumidor navega de forma anônima na web (anonymous_id), faz login no aplicativo iOS ou Android (user_id), informa o documento fiscal no balcão da unidade física (tax_id) e aciona o suporte pelo WhatsApp (phone_e164). Unificar esses rastros sem criar colisões catastróficas (como misturar dados de dois familiares que compartilharam um tablet) exige uma hierarquia rigorosa:
- Grafo determinístico auditável: vincule perfis exclusivamente quando houver prova forte de posse (login autenticado, OTP validado, documento fiscal verificado na transação), mantendo tabela histórica de chaves mescladas (identity graph) que permita desfazer vínculos (unmerge) se necessário.
- Contratos de eventos tipados na origem: cliques, buscas, adição ao carrinho, reserva, faturamento no ERP e pós-venda devem seguir esquemas versionados (
JSON SchemaouProtobuf), impedindo que uma atualização de tela do aplicativo quebre silenciosamente os gatilhos de CRM e os modelos de churn.
| Dimensão Arquitetural | Martech Tradicional em Silos | Arquitetura Composable CDP & Customer 360 |
|---|---|---|
| Fonte da verdade do cliente | Cópias divergentes no CRM, ERP, e-commerce e app | Camada Ouro unificada no Lakehouse + Grafo de Identidade |
| Latência de ativação | Arquivos CSV ou lotes noturnos (D+1 / D+2) | Streaming de eventos para gatilhos críticos (<60 segundos) |
| Governança de privacidade (LGPD) | Lista manual de descadastro atrasada entre canais | Consentimento por finalidade propagado em tempo real |
| Motor promocional e benefícios | Regras duplicadas no código do app e do caixa | Serviço central de elegibilidade e orçamento promocional |
| Medição de resultado | Taxa de abertura de mensagem (métrica de vaidade) | Receita líquida incremental medida contra grupo Holdout |
2. Composable CDP e motores de decisão omnichannel
Durante anos, empresas compraram CDPs monolíticas fechadas que exigiam copiar toda a base corporativa para a nuvem proprietária do fornecedor, cobrando milhões por volume de eventos (MTUs). Na arquitetura moderna de Composable CDP, o coração da inteligência permanece dentro do próprio Data Lakehouse da companhia (BigQuery, Databricks, Snowflake ou ecossistema Azure), combinando duas vias complementares:
- Via fria e analítica (Reverse ETL): atributos consolidados como Lifetime Value (LTV), frequência, recência, elasticidade a desconto e propensão a cancelamento são calculados com governança na camada Ouro e sincronizados para as ferramentas de campanha.
- Via quente transacional (Event Streaming): eventos de alta urgência operacional (falha no pagamento, fila de retirada, expiração de benefício ou jornada interrompida) passam por um barramento de eventos e acionam o motor de comunicação ou de oferta no exato momento em que o contexto ainda importa para o cliente.
3. LGPD por desenho e prova matemática de incremento na DRE
Construir um Customer 360 no Brasil exige tratar a LGPD (Lei 13.709/2018) como requisito funcional de engenharia, nunca como rodapé jurídico. Todo perfil unificado precisa armazenar carimbo de tempo, origem e finalidade do consentimento (marketing, comunicação transacional, prevenção à fraude), bloqueando automaticamente qualquer disparo promocional na borda do orquestrador caso o titular revogue o opt-in, além de mascarar dados pessoais identificáveis (PII) nos ambientes analíticos.
Por fim, toda régua de Martech e motor promocional precisa prestar contas à diretoria financeira com grupos de controle estatístico (Holdout de 5% a 10%). Só comparando quem recebeu o estímulo com um grupo idêntico que não recebeu é possível provar quanto da receita veio realmente da inteligência de dados e quanto teria acontecido organicamente sem queimar margem em desconto desnecessário.
Referências e leituras verificáveis
- Brasil (2018). Lei nº 13.709/2018: Lei Geral de Proteção de Dados Pessoais (LGPD). Presidência da República.
- Kohavi, R., Tang, D., & Xu, Y. (2020). Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press.
- Kleppmann, M. (2017). Designing Data-Intensive Applications. O'Reilly Media.
Uma boa conversa merece continuar.
Compartilhe o artigo ou publique os slides nos seus Stories e no Feed.

Cesar Zanis
15+ anos liderando arquitetura de software, banco de dados de missão crítica, FinOps e IA aplicada. Estruturou e escalou uma operação de engenharia do zero a mais de 20 desenvolvedores.
Gostou deste artigo?
Publico análises práticas sobre arquitetura de sistemas críticos, Cloud FinOps, dados, IA e liderança de engenharia diretamente no LinkedIn.
Continue Lendo
Leve esta análise adiante com dados e fontes
Os cards visuais deste artigo estão prontos logo acima para você compartilhar nos seus Stories, Feed, WhatsApp ou LinkedIn com a legenda e as fontes.



