Construir um produto de alta precisão baseia-se em milhares de pontos de dados. Para a Honeylove, a tecnologia não é apenas um suporte — é a espinha dorsal de todo o catálogo. A transição de uma operação baseada em silos para uma estrutura analítica unificada exemplifica um movimento comum em empresas de alto crescimento que buscam eficiência operacional por meio da modernização de stack.
Em 2018, o cenário era familiar a muitos gestores de TI brasileiros: dados fragmentados entre Shopify, plataformas de e-mail marketing e dashboards de publicidade. A falta de convergência impedia a visão holística necessária para decisões rápidas. A estratégia adotada aqui não foi apenas migrar dados, mas reestruturar a inteligência do negócio.
Transformando insights com BigQuery e Gemini
O sucesso da implementação começou com a consolidação no BigQuery. O diferencial técnico aqui foi a capacidade de integrar nativamente fontes como Google Ads e Google Sheets, eliminando o overhead de ETL manual. O ponto de virada estratégico ocorreu com a aplicação de funções de BigQuery ML para análise de contribuição em métricas críticas: taxa de conversão, CSAT (customer satisfaction score) e taxas de devolução.
O uso de Gemini para sumarizar análises complexas gerou uma economia operacional imediata. O que antes consumia horas de trabalho manual de times de dados antes de reuniões executivas, hoje é automatizado via pipeline de processamento de linguagem natural. Além disso, a implementação de modelos de forecasting ARIMA para planejamento de estoque reduziu a margem de erro para patamares muito superiores aos de soluções de terceiros, trazendo previsibilidade financeira para a cadeia de suprimentos.
Desbloqueando valor com embeddings multimodais
O aproveitamento de dados não estruturados, como tickets de suporte, é um desafio constante na engenharia de dados. Ao utilizar embedding models do Gemini e vector search no BigQuery, a empresa implementou uma arquitetura de RAG (Retrieval-Augmented Generation). Isso permite realizar consultas semânticas complexas diretamente sobre as interações dos clientes, extraindo insights qualitativos que seriam impossíveis de capturar por busca de palavras-chave tradicional.
Essa abordagem também abre precedentes interessantes para áreas de growth e marketing, aplicando embeddings multimodais para busca de ativos em bibliotecas de vídeo e criativos. A automação da predição de performance baseada no histórico de ativos é o próximo passo para reduzir a dependência de "feeling" e aumentar o rigor analítico no design de campanhas.
Construindo o futuro com Google Cloud
Hoje, a infraestrutura centralizada no Google Cloud atua como um facilitador de escalabilidade. A transição de análises offline para modelos dinâmicos e sempre disponíveis via Vertex AI reflete uma maturidade operacional focada em redução de riscos e otimização de custo-benefício. O experimento com Conversational Analytics API para democratizar o acesso a BI (Business Intelligence) aponta o caminho para empresas que buscam reduzir a dependência entre áreas de negócio e times de engenharia.
Para tomadores de decisão, a lição da Honeylove é clara: a modernização de dados não deve ser vista como um projeto de infraestrutura isolado, mas como uma estratégia contínua de eficiência operacional, onde a integração entre armazenamento performático, ML e IA generativa resolve problemas reais de agilidade.
Artigo originalmente publicado por Daniel UptonChief Technology Officer, Honeylove em Cloud Blog.
