Conectores
airbyte
- alimenta
- Normalização
Todos os casos técnicos
SaaSPipelines de dadosDashboards4 meses
Analytics de comércio plug-and-play
Integrar um novo cliente custava três semanas de engenharia. Agora demora dois dias e não precisa de nenhum engenheiro.
Onboarding de tenants
2 dias
Conector + modelo, self-service
Antes
3 semanas
Integração à medida por tenant
Em termos simples
O que é isto.
Sem jargão nesta secção. A descrição técnica está mais abaixo.
O que estava a correr mal
Cada novo cliente precisava de trabalho de integração à medida antes de ver um único dashboard, por isso a equipa comercial ficava à espera da engenharia. Entretanto, os números de receita nesses dashboards afastavam-se discretamente do que as finanças reportavam.
O que construímos
Construímos um conector padrão e um modelo pronto que o próprio cliente consegue configurar, e ligámos cada número de receita à definição que as finanças usam de facto.
O que mudou
O onboarding passou de três semanas para dois dias e já não precisa de nenhum engenheiro, por isso a equipa comercial deixou de esperar. As perguntas ao suporte do tipo "porque é que estes dois números são diferentes" caíram acentuadamente.
Arquitetura
Como tudo se encaixa.
Percorra as etapas. Tudo o que está marcado como acrescentado é um componente que não existia antes deste projeto.
Normalização
canónico
- recebe de
- Conectores
- alimenta
- Controlo de qualidadetestar
Controlo de qualidade
contratos
- recebe de
- Normalizaçãotestar
- alimenta
- BigQuery
BigQuery
multi-tenant
- recebe de
- Controlo de qualidade
- alimenta
- Camada de métricas
Camada de métricas
dbt
- recebe de
- BigQuery
- alimenta
- Dashboards
Dashboards
a partir de modelos
- recebe de
- Camada de métricas
Conectores
airbyte
- alimenta
- Normalização
Normalização
canónico
- recebe de
- Conectores
- alimenta
- Controlo de qualidadetestar
Controlo de qualidade
contratos
Acrescentámos isto- recebe de
- Normalizaçãotestar
- alimenta
- BigQuery
BigQuery
multi-tenant
- recebe de
- Controlo de qualidade
- alimenta
- Camada de métricas
Camada de métricas
dbt
Acrescentámos isto- recebe de
- BigQuery
- alimenta
- Dashboards
Dashboards
a partir de modelos
- recebe de
- Camada de métricas
A descrição
Como seria construído.
Conjunto de dados, abordagem, métricas-alvo e a stack. Escrito para quem tiver de o rever.
SaaSPipelines de dadosDashboards4 meses
Analytics de comércio plug-and-play
Ingestão multi-tenant e analytics de receita que aceleram o onboarding de PME com definições de KPI estáveis.
Problema
Cada novo tenant precisava de integração à medida, por isso o onboarding consumia semanas de engenharia e os dashboards afastavam-se silenciosamente da definição de receita das finanças.
Conjunto de dados
- linhas
- 58 M de encomendas
- features
- 112
- fontes
- Shopify, Stripe, Ads, CSV
- janela
- 18 meses
Abordagem
- 01Construímos conectores reutilizáveis que normalizam para um esquema de comércio canónico
- 02Acrescentámos verificações automáticas de qualidade de dados à entrada da ingestão
- 03Modelámos a lógica de receita uma única vez numa camada de métricas governada
- 04Dashboards a partir de modelos, com ajustes de administração por tenant
Métricas
- 2 dias
- tempo de onboarding eram 3 semanas
- 94%
- cobertura do esquema mapeado automaticamente
- 312
- falhas de QA detetadas antes do carregamento
- 100%
- paridade de métricas vs finanças
Evidência
- fonte
- Design de referência
- números
- Ilustrativo — valores típicos para este design
- medição
- Não medido. Valores típicos para um design de referência deste tipo, não observados num sistema de cliente.
- referência
- Não disponível para este projeto
- última revisão
- 2026-08-25
Impacto no negócio
- O onboarding self-service tirou a engenharia do ciclo de vendas
- Uma única fonte de verdade para KPIs de subscrições e de comércio
- Carga de suporte com perguntas sobre reporting em forte queda
Stack tecnológica
- TypeScript
- Next.js
- PostgreSQL
- BigQuery
- Temporal
- dbt
- Airbyte
- Metabase
Seguinte
Precisa de um sistema como este?
Responda a seis perguntas e dizemos-lhe se esta forma se adequa ao seu problema — incluindo quando não se adequa.