Quando um projeto de dados sustenta a decisão de uma das maiores operações de bens de consumo do país, cada hora de atraso e cada número sem confiança custam caro. Este é o relato de como reconstruímos, do zero, a arquitetura de sell-out da Nestlé no Brasil — e o que aprendemos no caminho. Projeto liderado por Vinícius Prado Damião, sócio da FLtech.
O ponto de partida
Sell-out é o dado que diz o que realmente vende na ponta — não o que a indústria fatura, mas o que o consumidor tira da prateleira. É a base de decisões de bilhões: quanto produzir, onde investir, o que ajustar. E, apesar dessa importância, a arquitetura que capturava e modelava esse dado tinha crescido por acúmulo, não por desenho.
O dado chegava de mais de 130 clientes diretos e de agregadores como IQVIA, Neogrid, Accera e ScannTech — cada um com o seu formato e o seu calendário. As transferências eram legadas, por SFTP, frágeis e sem rastreabilidade. Pipelines que levavam até 10 horas para rodar — um dia inteiro de trabalho antes de o dado ficar pronto para a decisão. E, no meio disso, dezenas de exceções que só algumas pessoas sabiam tratar.
O diagnóstico
Antes de reconstruir, mapeamos. E o mapa revelou os pontos cegos clássicos, em escala enterprise: dado que chegava por caminhos frágeis, sem linhagem para saber de onde veio; qualidade que ninguém media de forma sistemática; e um tempo de processamento tão alto que a decisão sempre olhava para trás. O problema não era falta de dado — era falta de arquitetura.
As decisões de arquitetura
A primeira decisão foi trocar a fundação. Saímos de um desenho baseado em SFTP para uma arquitetura API-first, com autenticação via OAuth e linhagem forte — cada dado passou a ter um caminho rastreável, da origem ao painel.
A segunda foi tratar governança como parte do design, não como um comitê à parte. Implementamos governança e qualidade de dados apoiadas em Stibo (para a gestão dos dados-mestre) e Acceldata (para observabilidade), de modo que o erro fosse pego antes de virar decisão.
A terceira foi preparar o terreno para o futuro: uma infraestrutura ML-ready, construída junto com DevOps, MLOps e Ciência de Dados, para sustentar a previsão de sell-out que a diretoria usa para decidir.
A execução
Nada disso foi um big bang. Implementamos de forma incremental, com padrões de qualidade de código e otimização em cada etapa — e o ganho apareceu em três frentes distintas.
uma reescrita de lógica: a validação que comparava faixas de valor com um between deu lugar a uma abordagem idiomática em Spark. Um pipeline de dez horas passou a rodar em duas.
Projeto Nestlé (via 4Zoom)Em outra frente, repensar como o dado era tratado ao longo do fluxo deixou um pipeline até 27× mais rápido. A decisão deixou de esperar um dia inteiro pelo dado.
Sobre essa fundação, entregamos mais de 20 produtos de dados para a área de Finanças — de quebras de P&L a fluxo de caixa, contribuição por cliente e Net Net Sales. E as iniciativas de governança tiveram um efeito colateral valioso:
de economia anual — de job clusters no lugar de clusters all-purpose, orquestração de workload, vacuum nas tabelas e otimização de storage. Puro FinOps embutido na arquitetura, não um projeto separado de corte de custos.
Projeto Nestlé (via 4Zoom)O resultado
No fim, os painéis passaram a servir mais de 150 usuários por mês, globalmente, com dado em que eles confiavam. Um time de mais de 40 pessoas trabalhou nessa transformação. Mas o resultado não se mede só em número: mede-se em decisão que deixou de esperar meio dia por um dado — e passou a confiar nele.
As três lições
Três lições atravessam este projeto e todos os outros que fazemos:
- A fundação vem antes da IA. Só foi possível pensar em previsão porque o dado, primeiro, ficou confiável e rápido.
- Governança se projeta, não se instala. Linhagem, qualidade e observabilidade entraram no desenho — não como uma camada posterior.
- O maior ganho às vezes é invisível. Os US$ 200 mil não vieram de um projeto de cortar custos; vieram de fazer a arquitetura certa.
Reconstruir uma arquitetura em produção é trocar o motor com o avião voando. Só dá certo com fundação, governança e gente sênior nas três coisas ao mesmo tempo.
É esse tipo de trabalho — do diagnóstico dos pontos cegos à arquitetura que sustenta a decisão — que a FLtech leva para operações de qualquer porte. A escala muda; o método, não.
When a data project underpins the decisions of one of the country's largest consumer-goods operations, every hour of delay and every untrusted number is expensive. This is the story of how we rebuilt, from scratch, Nestlé's sell-out architecture in Brazil — and what we learned along the way. A project led by Vinícius Prado Damião, partner at FLtech.
The starting point
Sell-out is the data that tells you what actually sells at the shelf — not what the manufacturer bills, but what the consumer takes home. It's the basis of billion-dollar decisions: how much to produce, where to invest, what to adjust. And despite that importance, the architecture capturing and modeling this data had grown by accumulation, not by design.
The data arrived from 130+ direct customers and aggregators like IQVIA, Neogrid, Accera and ScannTech — each with its own format and calendar. The transfers were legacy SFTP, brittle and untraceable. Pipelines that took up to 10 hours to run — a full workday before the data was ready to decide on. And in the middle of it, dozens of exceptions only a few people knew how to handle.
The diagnosis
Before rebuilding, we mapped. And the map revealed the classic blind spots, at enterprise scale: data arriving through brittle paths, with no lineage to know where it came from; quality nobody measured systematically; and processing times so high that decisions always looked backward. The problem wasn't a lack of data — it was a lack of architecture.
The architecture decisions
The first decision was to change the foundation. We moved from an SFTP-based design to an API-first architecture, with OAuth authentication and strong lineage — every piece of data got a traceable path, from source to dashboard.
The second was to treat governance as part of the design, not a separate committee. We implemented data governance and quality supported by Stibo (for master-data management) and Acceldata (for observability), so errors were caught before becoming decisions.
The third was to prepare the ground for the future: an ML-ready infrastructure, built together with DevOps, MLOps and Data Science, to support the sell-out forecasting the board uses to decide.
The execution
None of this was a big bang. We implemented incrementally, with code-quality standards and optimization at every step — and the gain showed up on three distinct fronts.
a logic rewrite: a validation that compared value ranges with a between gave way to an idiomatic Spark approach. A ten-hour pipeline started running in two.
Nestlé project (via 4Zoom)On another front, rethinking how the data was treated along the flow made one pipeline up to 27× faster. Decisions stopped waiting a full day for the data.
On that foundation, we delivered over 20 data products for Finance — from P&L breakdowns to cash flow, customer contribution and Net Net Sales. And the governance initiatives had a valuable side effect:
in annual savings — from job clusters instead of all-purpose clusters, workload orchestration, table vacuum and storage optimization. Pure FinOps embedded in the architecture, not a separate cost-cutting project.
Nestlé project (via 4Zoom)The result
In the end, the dashboards served more than 150 users per month, globally, with data they trusted. A team of 40+ people worked on this transformation. But the result isn't only measured in numbers: it's measured in decisions that stopped waiting half a day for data — and started trusting it.
The three lessons
Three lessons run through this project and every other we do:
- The foundation comes before AI. Forecasting was only thinkable because the data first became trustworthy and fast.
- Governance is designed, not installed. Lineage, quality and observability went into the design — not as a later layer.
- The biggest gain is sometimes invisible. The US$ 200K didn't come from a cost-cutting project; it came from getting the architecture right.
Rebuilding an architecture in production is changing the engine while the plane is flying. It only works with foundation, governance and senior people across all three at once.
This is the kind of work — from diagnosing blind spots to the architecture that supports the decision — that FLtech brings to operations of any size. The scale changes; the method doesn't.