Transcrição automática do palco Plenária Tecnologia & Inovação, no evento Fórum E-Commerce Brasil 2026.
Janela (Brasília): 14:00 até 14:30.
Palestra provável nesse horário (agenda oficial, pode ter atrasado): Data-driven fulfillment: O papel da arquitetura de dados na otimização de prazos e custos logísticos
Nota editorial: material captado ao vivo pela redação do iMasters no evento (mesmo grupo, acesso oficial ao conteúdo dos palcos). A transcrição é automática — nomes próprios, números, siglas e citações podem conter erro de reconhecimento; confirme em fonte independente antes de afirmar. NÃO atribua falas a palestrante específico a partir deste material.
Transcrição:
...e cada área que a pessoa já está. Às vezes eles se veem executivo, isso é uma realidade? Como você sabe, quando eu me lembro, eu falo, está relativamente grande, aonde se cair três pessoas em uma reunião, pedem o mesmo dado que essas três pessoas vieram diferente, e cada uma pede uma informação diferente. Isso gera uma série de problemas. Isso gera desconfiança na informação, isso gera afetos, e isso gera tomada de decisão de uma forma incorreta. Outro ponto que a gente tem, custo reativo. Se eu estou olhando os fotogógrafos do passado, eu não estou trabalhando muito nada, para edição, olhando o aumento, eu sempre vou tentar trabalhar com o custo do que já aconteceu. Então, como é que eu vou muito bem, em pré-emergencial, eu não consigo evitar um insucesso de entrega, fazendo assim que eu tenha muitas entregas, e eu tenho sério problema com cancelamento, que é uma das melhores chaves do e-commerce. E-commerce, e-commerce, e-commerce.
Dados estimados. O que eu quero dizer com dados estimados? Os dados não viram um compromisso forte com o cliente se eu não consigo tomar uma ação rápida quando eu tenho qualquer intercorrência durante o processo. Então, o meu compromisso de dados com cliente cai. Então, essa aliada, entrega, ele não fica com o sítio suficiente para conseguir fazer com que meu cliente receba a mercadoria dentro do caso permitido. Se eu não tenho uma ação rápida, se eu não tenho uma ação que me permita melhorar esse contexto no dia, na entrega, ou antecipar o problema, eu crio efetivamente o problema para o meu consumidor. Então, a gente vai transformar a reação em antecipação. Eu preciso sair de uma operação reativa para uma operação preditiva. Eu tenho que parar de trabalhar com o LLM, eu tenho que parar de apagar o incêndio operacional de junteiros, eu tenho que parar de olhar frente e juntar em vergonha genciais, que elevam o nosso custo de uma forma muito significativa.
Temos que parar de ter um caso de estimativa e eu preciso parar de olhar cada sistema de dados diferentes. Então, eu preciso, efetivamente, organizar e analisar isso para conseguir a salva de qualidade de informação dentro da companhia. E nisso, eu preciso ter decisões sobre agora e o futuro, então, ação rápida para a intercorrência e planejamentos muito melhores, muito mais precisos. Antecipação de risco e demanda. Se eu sei que eu posso ter algum risco específico, que é de fazer um cenário que a gente já teve, e que é um contexto que estamos vivendo em novo, por exemplo, alagamentos no todo o país. Então, como se eu vejo eventos que já fazem parte da nossa história e transformam isso em evidência? Pé de rotas que me já abordaram, como se eu calculo melhor a nossa capacidade inteira, como se eu referi melhor, como se eu inspe mais os nossos caminhões. O Pé-Alfim, com o primeiro funcionário e as curvas de pendentes de autônio.
Então, se eu tenho curva de tendência de melhora em prato de entrega ou piora, eu preciso adicionar isso para que eu consiga efetivamente cumprir o meu compromisso como cliente. E uma fonte única, para organizar a verdade, justamente para evitar que a gente tenha informações diferentes e a gente tome decisões incorretas ao longo da nossa jornada. Então, a gente tem todo um movimento de captura de dados ao resultado logístico. Então, o primeiro ponto que a gente quer é captura. Aonde que eu vou buscar as informações? Então, vou ver meus exemplos. Se vai assim, eu vou olhar dentro do nosso estado de MES, do nosso CMS, eu vou olhar o RGP e tentar fazer isso dentro de tempo quase real. Eu preciso paganizar esse dado, eu preciso levá-lo de uma forma que esteja correta, que esteja concisa, para que eu não tenha discrepante de verdade entre eles. Então, eu preciso ter um trabalho chamado a Weld, chamado a Silvia, para chamar-lhe-feira de um dedante das informações.
Eu preciso ter uma modelagem, que é onde eu vou criar a camada Gold dos nossos dados. Eu preciso ter uma governança de dados, um catálogo de dados, e tudo isso eu vou transformando em decisão. Aí eu tenho informações corretas, eu tenho um dashboard que vai funcionar bem, eu tenho uma aplicação BI que tem uma base confiável para que eu consiga efetivamente realizar as ações aí modeladas para elas, e tudo isso vira resultado. Então eu vou ter um custo menor de operação, eu vou ter um cliente muito mais satisfeito devido ao cumprimento dos pedras em média, eu vou ter uma perdição de falha, eu vou ter uma redução de funcionamento, uma redução de avalia, entre outros pontos muito pesados e muito fortes do nosso cenário da logística. Sem fazer negociação, é impossível a gente ter decisões sociais. Então, quando eu tenho dados de vírus, eu acabo tendo divergência das informações,
E isso faz com que algumas decisões possam ser tomadas em um âmbito melhor ou pior do que a gente tem. Quando eu trabalho as informações fragmentadas no meu sistema, eu posso ter tomado as decisões pautadas, por exemplo, em péage de entrega, e façam com que eu aumente o meu péage de uma forma desnecessária e eu acabe tendo uma redução no estado das nossas vendas. Ou, ao contrário, se eu não tomo uma decisão de aumentar o meu trabalho de entrega, eu acabo tendo sérios problemas de compromisso de entrega e acelerar o meu consumidor, o meu cliente. Eu começo assim, uma metade de rotina inconsistente entre as áreas, então a gente tem rotinas de acompanhamento de cifiais semanais com todas as áreas, e eu começo a encontrar divergências da outra. Temos uma área específica, cada tema base divergente da outra, e aí isso começa a impactar os nossos processos de equidão como um todo. Eu tenho um retrabalho gigantesco de reconciliação de informações, quando eu começo a ter essas diversas,
O que que acontece? Quem está correto? Quem tem informação que realmente deve faltar a nossa decisão? Quem consegue efetivamente direcionar a companhia pelo lado correto? Então, para os fitis, para ficar olhando a informação, dando dados, conciliando dados, para dizer, ah, efetivamente a gente tem essa informação correta. Isso gera um custo operacional muitas vezes impendível dentro das companhias, seja no tempo para tomar a decisão, além do tempo operacional gasto pelos times. Davi sem viagens e nem governanças, então você acaba não tendo uma governança de se avançar, e não consegue efetivamente saber de onde vem todas as informações que estão compilando aqueles dados e aquelas informações. E uma IA não confiável para que a gente possa criar modelos e criar as informações conforme necessário. Nessa linha, a gente teve uma transformação dentro da nossa parte logística,
Então, a gente começou um processo de migração de dados há alguns meses, e a gente ainda está na companhia, porém, a gente focou inicialmente na área logística como um todo. Foi onde a gente conseguiu fazer a conclusão, aí, em seguimento, em alguns meses, até, e trazendo aí uma série de empresas da companhia. Então, a gente começa a ter uma função única e paganizada, na verdade, efetivando também chamadas grandes e frutos de gold. A gente consegue ter uma governança e linhagem com realização do catálogo de dados. Isso traz impacto até em relação a agilidade da operação como um todo. A gente consegue ter acesso a uma 100 DSL relacionada de RIT, que era a mais uma das 10 falhas que a gente tinha dentro da área de tecnologia. E uma base sólida para a gente poder acelerar uma série de iniciativas fundiadas. Então, isso começa a trazer muita confiança que a gente tem em relação a Temos as evoluções da companhia e a evolução no ano.
Então, a gente tem uma arquitetura que está em desconstrução, ela ainda está quando eu olho que é fora da minha área logística, porém ela efetivamente está descontinuada dentro da área logística muito boa. Então aqui, tem diversas aplicações, aplicações internas, como War Machine, Light-Cange, dentro da Volklog, e aplicações de mercado, como ERP, como sistemas de atendimento e demais aplicações que geram um alto volume de informação. Temos um pouquinho de conversas aqui, são mais ou menos 220 mil em caia de atletas, mas de um milhão de conversas com clientes separados em títulos. Então, um volume menor de títulos, mais de um milhão de conversas mesmo. E tudo isso precisamos de um cliente separado.
...que é consolidado para que a gente consiga trazer aí, de uma forma efetiva, a informação para a companhia. A gente tem a injeção de todos os dados que utilizam canízes, Firewall, também RDS, MFA e MFS. Tudo isso ia, principalmente, a LATESTREAT, e aí, fazendo o LUNCH, o Transforming e o Curving. Tudo isso passava após um pensamento onde a gente utiliza o WebSoul, somente para a logística. A gente tinha 110 testes fazendo esse trabalho. Utiliza também o DataGrate e o Sparse, tudo conforme a necessidade que a gente tinha, conforme os timings de dados e os testes que precisavam rodar. Tudo isso alimentando o nosso warehouse, que era o Redshift, onde a gente tem um problema de custo significativo de previsão perfeita.
O nosso redshift é o nosso pico, então a gente acaba tendo momentos de exigidade conforme o volume ao longo do dia, da semana e do mês. Porém, eu não consigo fazer uma redução desse previsionamento hoje, porque quando eu tenho o pico, eu acabo pagando muito mais caro que o meu cliente. Então, o que acontece? Além do previsionamento, alguns casos ainda estejam acontecendo e gerando mais sustentabilidade. E o consumo desse Lighthouse, ele estava sendo feito basicamente de anúncios, e também modelos de Machine Learning e ASTO de uma forma como um todo. Então, olhando cada componente aqui no seu papel, a gente viu o Caimann recebendo os exemplos de potassum de faixas, como um exemplo de logs em tempo real. Então a gente vai separando as tecnologias conforme a nossa necessidade, faltando custos.
Não sei qual é o volume de questões técnicas aqui na plenária hoje, mas existe uma... faz uma regra dentro de dados, que é quanto mais rápido você tem informação no Lake House, mais caro isso custa para a companhia. Então, sempre acaba fazendo um delivery entry. Qual é a velocidade que eu preciso perder essa informação, se ali é real time, se é que menos até uma hora, até um dia. Isso é sempre pautado com a necessidade para ter um equilíbrio de custos. Utilizando o FIrBusco, que fazem carga do Spring para o SQI. O SQI com data lake em camadas, trazendo todo o contexto e guardando todas as informações que a gente tem no momento inicial. O AirSoul fazendo todo um processo de extensão de 110 FIrBus que a gente tinha. Tentamente faz parte, sendo os nossos autores principais, BCL e modelagem. Spreadsheet,