A migração da Rightmove de um ambiente on-premises para o Google Cloud é uma aula de como empresas de tecnologia, que lidam com grandes volumes de dados, podem sair de silos operacionais para uma arquitetura ágil e orientada a valor. O movimento da empresa ilustra uma transição crítica para times de engenharia e gestão de TI: o deslocamento do foco de apenas manter o sistema funcionando para o uso estratégico de dados através de um stack unificado.
A estratégia da Rightmove baseia-se em quatro pilares: experiência do consumidor, capacitação de parceiros (como agentes imobiliários), monetização de dados e eficiência operacional. Ao consolidar BigQuery, Vertex AI e Looker no que chamam de "data hive", a empresa permitiu que um terço de seus colaboradores acessasse insights sem fricção. Para empresas brasileiras, a lição aqui é clara: a democratização dos dados só ocorre quando o ferramental subjacente reduz a complexidade de acesso e acelera o tempo para o insight.
O uso de Vertex AI para enriquecer metadados de listagens — transformando descrições e imagens não estruturadas em atributos de busca — é um caso clássico de como o machine learning deve ser aplicado: resolvendo dores reais de negócio através da automação. Da mesma forma, a adoção de Gemini para automatizar respostas em momentos de pico demonstra um uso pragmático de Generative AI para melhorar o throughput operacional sem sacrificar a qualidade do serviço.
Um ponto de atenção para arquitetos de soluções é o modelo de governança adotado pela Rightmove. Ao utilizar um design "hub and spoke", eles centralizam as boas práticas em times especialistas (BigQuery, Vertex AI e Looker), enquanto permitem que unidades de negócio (spokes) operem com autonomia e agilidade. Esse desenho é fundamental para evitar o gargalo no time de dados, garantindo que o desenvolvimento seja escalável e que os recursos de computação, geridos frequentemente sob modelos de FinOps, sejam utilizados de maneira eficiente.
Finalmente, a migração de modelos de avaliação estáticos para o Automated Valuation Model (AVM) dinâmico, alimentado por dados históricos salvos em Cloud Storage, reforça um princípio da engenharia de dados moderna: o valor latente em dados legados só se torna ativo quando integrado em um ecossistema pronto para analytics. A adoção de funções low-code, como o Series FM no BigQuery, valida que o mercado exige velocidade. Para quem busca escalabilidade no Brasil, integrar agilidade no ciclo de desenvolvimento (ciclo CI/CD para modelos) é o que diferencia empresas resilientes daquelas que ainda lutam contra a dívida técnica.
Artigo originalmente publicado por Manoj GuntiProduct Marketing Manager, BigQuery em Cloud Blog.
