{"id":14501,"date":"2026-03-31T18:31:38","date_gmt":"2026-03-31T18:31:38","guid":{"rendered":"https:\/\/cheesecakelabs.com\/blog\/decisoes-de-arquitetura-de-dados\/"},"modified":"2026-08-15T07:01:49","modified_gmt":"2026-08-15T07:01:49","slug":"decisoes-de-arquitetura-de-dados","status":"publish","type":"post","link":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/","title":{"rendered":"As decis\u00f5es de arquitetura de dados que realmente importam"},"content":{"rendered":"\n<p>A maioria dos artigos sobre stack moderna de <strong>arquitetura de dados<\/strong> come\u00e7a pelas ferramentas. Todo projeto que tocamos come\u00e7a em outro lugar: nas suas fontes e nos seus outputs. A arquitetura segue os dados, n\u00e3o o contr\u00e1rio.<\/p>\n\n\n\n<p>O que vem a seguir s\u00e3o as decis\u00f5es de engenharia que realmente fazem diferen\u00e7a. N\u00e3o os conceitos, mas os tradeoffs: onde as coisas quebram, o que aguenta press\u00e3o e como evitar os erros que afundam projetos de dados em sil\u00eancio, muito antes de eles chegarem a um dashboard.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Comece pelos outputs e pelas fontes, n\u00e3o pelas ferramentas<\/strong><\/h2>\n\n\n\n<p>A primeira coisa que definimos em qualquer projeto de dados \u00e9 um exerc\u00edcio de duas colunas:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n\n<li><strong>Quais decis\u00f5es de arquitetura de dados voc\u00ea precisa tomar mais r\u00e1pido ou com mais qualidade?<\/strong> (outputs)<\/li>\n\n\n\n<li><strong>Onde os dados que alimentam essas decis\u00f5es realmente est\u00e3o?<\/strong> (fontes)<\/li>\n\n<\/ul>\n\n\n\n<p>Toda a stack decorre da resposta a essas duas perguntas.<\/p>\n\n\n\n<p>Parece \u00f3bvio, mas \u00e9 f\u00e1cil pular essa etapa. Os times se empolgam com BigQuery, Databricks ou dbt e come\u00e7am a desenhar a infraestrutura antes de mapear o que, afinal, querem enxergar. O resultado \u00e9 uma plataforma que pode at\u00e9 ser best in class, mas n\u00e3o resolve o que o neg\u00f3cio precisa.<\/p>\n\n\n\n<p>Antes de recomendar qualquer ferramenta, n\u00f3s <strong>documentamos os outputs de analytics desejados<\/strong>: dashboards, relat\u00f3rios ou decis\u00f5es espec\u00edficas. Depois percorremos o caminho de volta at\u00e9 os sistemas de origem. Tudo o que existe entre um ponto e outro \u00e9 encanamento.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>O tipo de fonte de dados mais dif\u00edcil \u00e9 tamb\u00e9m o mais comum: planilhas<\/strong><\/h2>\n\n\n\n<p>Quando fazemos esse caminho de volta at\u00e9 as fontes, quase sempre encontramos planilhas.<\/p>\n\n\n\n<p>Os <strong>dados de finan\u00e7as<\/strong> moram em uma planilha. O custo por pessoa mora em uma planilha. E aquele relat\u00f3rio semanal de aloca\u00e7\u00e3o que algu\u00e9m roda toda segunda-feira? Uma planilha, que puxa de outra planilha, ligada a uma terceira por um PROCV que quebra toda vez que algu\u00e9m muda o nome de uma coluna.<\/p>\n\n\n\n<p>Planilha n\u00e3o \u00e9 um ponto de partida ruim. \u00c9 um estado permanente ruim.<\/p>\n\n\n\n<p><strong>Trate planilhas como uma ponte, n\u00e3o como fonte da verdade.<\/strong> D\u00e1 para conectar o Google Sheets direto ao <strong>BigQuery<\/strong> com conectores nativos. Funciona, e permite subir seus primeiros modelos e levar dados para o data warehouse sem mexer no fluxo de trabalho que j\u00e1 existe. S\u00f3 que essas conex\u00f5es s\u00e3o fr\u00e1geis: credenciais expiram, nomes de colunas mudam, algu\u00e9m apaga uma linha que n\u00e3o devia. Reserve tempo de manuten\u00e7\u00e3o e planeje a substitui\u00e7\u00e3o delas.<\/p>\n\n\n\n<p><strong>Antes de conectar qualquer coisa, pergunte: a planilha \u00e9 mesmo a fonte, ou existe um sistema a montante que algu\u00e9m transcreve na m\u00e3o para dentro dela?<\/strong> Essa \u00e9 uma das perguntas mais valiosas para levantar logo no in\u00edcio. Se algu\u00e9m do financeiro digita dados de sal\u00e1rio em uma planilha uma vez por m\u00eas, voc\u00ea vai ganhar muito mais estabilidade indo direto ao sistema de folha de pagamento ou ao HRIS que alimenta essa pessoa, mesmo que isso exija um conector customizado. Uma API est\u00e1vel sempre ganha de uma planilha manual.<\/p>\n\n\n\n<p><strong>O objetivo \u00e9 migrar a l\u00f3gica, n\u00e3o s\u00f3 os dados.<\/strong> Planilhas carregam regras de neg\u00f3cio: c\u00e1lculo de margem, convers\u00e3o de c\u00e2mbio, f\u00f3rmulas de rateio. Quando voc\u00ea move tudo para o data warehouse, essas regras precisam ir junto e passar a viver nos modelos da sua arquitetura de dados. A pessoa que \u00e9 dona do processo da planilha \u00e9 o recurso mais valioso que voc\u00ea tem durante essa migra\u00e7\u00e3o: \u00e9 ela quem sabe onde est\u00e3o os casos de exce\u00e7\u00e3o.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n\n<p class=\"has-text-medium-font-size\"><strong>Leia mais: <\/strong><a href=\"https:\/\/cheesecakelabs.com\/blog\/estrategia-de-ia-problema-de-dados\/\" target=\"_blank\" rel=\"noreferrer noopener\">Sua estrat\u00e9gia de IA tem um problema de dados<\/a><\/p>\n\n<\/blockquote>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Escolhendo seu data warehouse: a decis\u00e3o depende do seu contexto<\/strong><\/h2>\n\n\n\n<p>A discuss\u00e3o BigQuery vs. Snowflake vs. Databricks j\u00e1 rendeu muita tinta. Nossa vis\u00e3o vem do que observamos nas empresas com quem trabalhamos.<\/p>\n\n\n\n<p><strong>O BigQuery \u00e9 o default certo para a maioria das empresas de mid-market e em fase de crescimento<\/strong>, principalmente se voc\u00ea j\u00e1 est\u00e1 no ecossistema Google. A cobran\u00e7a por consumo mant\u00e9m o custo perto de zero at\u00e9 voc\u00ea come\u00e7ar a mover volume de verdade. A integra\u00e7\u00e3o nativa com o Google Sheets reduz o atrito do lado das fontes. E o free tier, somado aos cr\u00e9ditos para startups, facilita validar antes de se comprometer com qualquer coisa.<\/p>\n\n\n\n<p><strong>O tradeoff:<\/strong> o BigQuery \u00e9 poderoso, mas relativamente bare metal quando comparado \u00e0s plataformas all-in-one. Voc\u00ea vai combin\u00e1-lo com outras ferramentas: Airbyte para ingestion, dbt para transforma\u00e7\u00e3o e uma <strong>camada de BI separada.<\/strong> Essa composabilidade \u00e9 uma vantagem para times com capacidade de engenharia, e um custo extra para quem n\u00e3o tem.<\/p>\n\n\n\n<p><strong>Snowflake e Databricks fazem mais sentido quando <\/strong>voc\u00ea lida com volumes muito altos de dados, cargas de machine learning ou casos de uso de lakehouse: telemetria de produto, dados em streaming e conte\u00fado n\u00e3o estruturado. As duas s\u00e3o plataformas excelentes, mas ambas t\u00eam custo de entrada mais alto e tendem a compensar apenas a partir de volumes contratados maiores, quando o pre\u00e7o fica competitivo.<\/p>\n\n\n\n<p><strong>Vale avaliar o Databricks<\/strong> quando seus dados incluem conte\u00fado n\u00e3o estruturado em alto volume junto com dados operacionais estruturados. O lakehouse unificado simplifica bastante a arquitetura para empresas que, de outra forma, precisariam gerenciar um data lake e um data warehouse separados, em paralelo.<\/p>\n\n\n\n<p><strong>Sobre o Microsoft Fabric<\/strong>: recomendamos se voc\u00ea j\u00e1 roda dentro do ecossistema Microsoft. Se a sua organiza\u00e7\u00e3o est\u00e1 padronizada em Azure, o time trabalha na toolchain da Microsoft e os dados ficam nesse ambiente, o Fabric \u00e9 uma escolha leg\u00edtima e a tecnologia \u00e9 s\u00f3lida. A ressalva n\u00e3o \u00e9 com a plataforma em si, e sim com adot\u00e1-la fora desse contexto.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote has-text-medium-font-size is-layout-flow wp-block-quote-is-layout-flow\">\n\n<p>Leia tamb\u00e9m: <a href=\"https:\/\/cheesecakelabs.com\/blog\/migrar-dados-de-usuarios-para-cross-platform\/\" target=\"_blank\" rel=\"noreferrer noopener\">Como migrar dados de usu\u00e1rios de apps nativos para cross-platform<\/a><\/p>\n\n<\/blockquote>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Ingestion: Airbyte primeiro, Fivetran quando se justifica, conectores customizados mais vezes do que voc\u00ea imagina<\/strong><\/h2>\n\n\n\n<p><strong>O Airbyte \u00e9 por onde voc\u00ea come\u00e7a.<\/strong> Open source, centenas de conectores nativos, custo de entrada baixo, comunidade ativa. A vers\u00e3o cloud acrescenta infraestrutura gerenciada com pre\u00e7o por uso, acess\u00edvel o suficiente para trabalho de dados em est\u00e1gio inicial e escal\u00e1vel para planos por capacidade conforme os pipelines crescem. Se um conector n\u00e3o existe de forma nativa, d\u00e1 para escrever um customizado em Python sem muito esfor\u00e7o.<\/p>\n\n\n\n<p><a href=\"https:\/\/weld.app\/blog\/fivetran-pricing-2025\" target=\"_blank\" rel=\"noreferrer noopener\"><strong>O Fivetran<\/strong><\/a><strong> tem a melhor confiabilidade de conectores do mercado<\/strong>, mas o modelo de pre\u00e7o ficou bem mais caro em mar\u00e7o de 2025. A empresa passou a cobrar MAR (Monthly Active Rows) por conector, e n\u00e3o mais por conta, o que eliminou os descontos por volume que antes tornavam vi\u00e1veis os setups com muitas fontes. Times com v\u00e1rias integra\u00e7\u00f5es est\u00e3o <strong>relatando aumentos de custo de 40% a 70%<\/strong> por causa disso.<\/p>\n\n\n\n<p>As cargas iniciais continuam gratuitas; tudo o que \u00e9 incremental \u00e9 medido por conector. Use quando confiabilidade for inegoci\u00e1vel e o or\u00e7amento estiver claramente dispon\u00edvel, mas fa\u00e7a as contas com o seu n\u00famero real de conectores antes de fechar.<\/p>\n\n\n\n<p><strong>Conectores customizados em Python s\u00e3o subestimados.<\/strong> Se voc\u00ea tem um punhado de sistemas de origem espec\u00edficos e capacidade de engenharia para manter scripts Python enxutos, esse costuma ser o caminho mais econ\u00f4mico no longo prazo. Tamb\u00e9m cria ownership interno do fluxo de dados, o que faz diferen\u00e7a quando algo quebra \u00e0s 2h da manh\u00e3. Combine os conectores customizados com o Airflow para orchestration: open source, bem documentado e flex\u00edvel o bastante para a maioria das necessidades de agendamento e depend\u00eancias.<\/p>\n\n\n\n<p>O framework pr\u00e1tico: <strong>Airbyte para fontes SaaS padr\u00e3o.<\/strong> Conectores nativos do data warehouse na nuvem quando existirem e a fonte for de alta frequ\u00eancia. Conectores customizados para sistemas internos de nicho ou propriet\u00e1rios. Fivetran s\u00f3 quando os requisitos de confiabilidade e o or\u00e7amento apontarem na mesma dire\u00e7\u00e3o.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>A arquitetura medallion na pr\u00e1tica: bronze \u00e9 de gra\u00e7a, o trabalho est\u00e1 na silver<\/strong><\/h2>\n\n\n\n<p>A estrutura de tr\u00eas camadas, bronze (bruta), silver (limpa e com joins) e gold (pronta para o neg\u00f3cio), \u00e9 o framework certo. Do ponto de vista de engenharia, na pr\u00e1tica, ela funciona assim:<\/p>\n\n\n\n<p><strong>A bronze \u00e9 s\u00f3 um despejo.<\/strong> Tabelas cruas das suas fontes, sem transforma\u00e7\u00e3o. Voc\u00ea nunca faz query direto na bronze para analytics. O trabalho dela \u00e9 existir e ser imut\u00e1vel. Se algo der errado l\u00e1 na frente, voc\u00ea reconstr\u00f3i a partir da bronze sem precisar extrair tudo da fonte de novo. Guarde tudo.<\/p>\n\n\n\n<p><strong>A silver \u00e9 onde a engenharia de verdade acontece.<\/strong> \u00c9 aqui que voc\u00ea define o que significa &#8220;cliente&#8221; no modelo da sua arquitetura de dados. Onde a l\u00f3gica de convers\u00e3o de c\u00e2mbio, que antes vivia em uma planilha, agora vive em um modelo dbt. Onde dados de aloca\u00e7\u00e3o e de custo se juntam em uma vis\u00e3o limpa e confi\u00e1vel da margem por projeto. A camada silver precisa ser estruturada o bastante para responder \u00e0 maioria das perguntas, mas n\u00e3o t\u00e3o agregada a ponto de prender voc\u00ea a um \u00fanico caso de uso.<\/p>\n\n\n\n<p>Tem uma coisa importante sobre a camada silver que quase nunca \u00e9 dita: <strong>ela tamb\u00e9m \u00e9 a sua camada de IA.<\/strong> Quando voc\u00ea <strong>coloca em produ\u00e7\u00e3o pipelines de RAG<\/strong>, workflows ag\u00eanticos ou qualquer automa\u00e7\u00e3o baseada em LLM, o ideal \u00e9 que os modelos busquem contexto em dados limpos e governados da silver, e n\u00e3o batam direto nos sistemas de origem. APIs de origem t\u00eam rate limit.<\/p>\n\n\n\n<p>O dado da fonte tem ru\u00eddo. O dado da silver j\u00e1 foi limpo, cruzado e ganhou contexto de neg\u00f3cio. \u00c9 disso que um modelo precisa para gerar respostas confi\u00e1veis. Construir a camada silver pensando em acesso por IA desde o primeiro dia significa n\u00e3o ter que reconstru\u00ed-la quando os casos de uso de Intelig\u00eancia Artificial chegarem.<\/p>\n\n\n\n<p><strong>A gold \u00e9 para stakeholders espec\u00edficos.<\/strong> Data mart de vendas. Data mart de finan\u00e7as. Data mart de opera\u00e7\u00f5es. S\u00e3o vis\u00f5es altamente estruturadas e agregadas, que respondem a perguntas conhecidas e recorrentes. Construa depois que a camada silver estiver est\u00e1vel. N\u00e3o crie gold para todo caso de uso poss\u00edvel logo de cara: \u00e9 assim que voc\u00ea acaba com marts desatualizados que ningu\u00e9m usa.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote has-text-medium-font-size is-layout-flow wp-block-quote-is-layout-flow\">\n\n<p><strong>Leia tamb\u00e9m: <\/strong><a href=\"https:\/\/cheesecakelabs.com\/blog\/framework-produto-model-fallback-precificacao-ia\/\" target=\"_blank\" rel=\"noreferrer noopener\">Product Framework: fallback de modelo e estrat\u00e9gia de precifica\u00e7\u00e3o de IA para decis\u00f5es melhores<\/a><\/p>\n\n<\/blockquote>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>O dbt \u00e9 a camada de transforma\u00e7\u00e3o, e tamb\u00e9m a camada de governan\u00e7a<\/strong><\/h2>\n\n\n\n<p>Assim que os dados come\u00e7am a chegar no data warehouse, voc\u00ea precisa de uma camada de modelagem. O dbt foi onde a comunidade de engenharia de dados convergiu, e com raz\u00e3o.<\/p>\n\n\n\n<p><strong>O dbt Core (gratuito e open source) d\u00e1 conta da maioria dos projetos.<\/strong> Voc\u00ea escreve modelos em SQL, roda pela CLI e ganha uma l\u00f3gica de transforma\u00e7\u00e3o limpa, versionada e test\u00e1vel. Se o seu time de engenharia se vira bem no terminal, o Core resolve 90% do caminho.<\/p>\n\n\n\n<p><strong>O dbt Cloud acrescenta a camada visual de DAG:<\/strong> linhagem gr\u00e1fica, uma interface para rodar jobs e agendamento gerenciado. Se stakeholders de fora do time de dados precisam enxergar o que est\u00e1 rodando e por qu\u00ea, o Cloud compensa o custo. Para um p\u00fablico puramente t\u00e9cnico, o Core basta.<\/p>\n\n\n\n<p><strong>A hist\u00f3ria da governan\u00e7a acontece dentro da arquitetura de modelos do dbt.<\/strong> Quando cada m\u00e9trica \u00e9 definida uma \u00fanica vez, em um modelo que diz &#8220;\u00e9 isto que significa um projeto ativo&#8221;, voc\u00ea elimina aquela situa\u00e7\u00e3o em que dois times calculam o mesmo n\u00famero de formas diferentes e gastam uma reuni\u00e3o de board discutindo qual est\u00e1 certo. N\u00e3o \u00e9 um documento de pol\u00edtica, e sim uma fonte \u00fanica de l\u00f3gica que todo mundo consulta. Os testes nativos do dbt (not_null, unique, accepted_values) pegam problemas de qualidade dos dados antes que eles cheguem a um dashboard. Comece com testes b\u00e1sicos em todos os modelos desde o primeiro dia.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Ferramentas de BI: escolha pela necessidade do seu time, n\u00e3o pela popularidade<\/strong><\/h2>\n\n\n\n<p><strong>O Looker Studio \u00e9 gratuito e \u00fatil para valida\u00e7\u00e3o inicial.<\/strong> As limita\u00e7\u00f5es de verdade n\u00e3o est\u00e3o no n\u00famero de gr\u00e1ficos: est\u00e3o na aus\u00eancia de um semantic layer ou de uma camada de modelagem, na governan\u00e7a b\u00e1sica s\u00f3 por pap\u00e9is (sem row-level security nem workspaces na vers\u00e3o gratuita), na queda de performance com <strong>datasets grandes ou de m\u00faltiplas fontes<\/strong> e em conectores de terceiros que quebram mais do que voc\u00ea esperaria. Para confirmar que os dados est\u00e3o chegando corretamente antes de assinar uma ferramenta paga, funciona. Para qualquer coisa da qual stakeholders dependam todo dia, a fragilidade aparece r\u00e1pido.<\/p>\n\n\n\n<p><strong>O Sigma \u00e9 um bom default para analytics nativo no data warehouse.<\/strong> Tem uma <strong>explora\u00e7\u00e3o assistida por IA<\/strong> competente, \u00e9 intuitivo o bastante para usu\u00e1rios de neg\u00f3cio depois de um curto per\u00edodo de adapta\u00e7\u00e3o e n\u00e3o exige tirar os dados do warehouse para gerar relat\u00f3rios.<\/p>\n\n\n\n<p><strong>Um ponto de aten\u00e7\u00e3o: <\/strong>o Sigma faz query ao vivo no data warehouse a cada intera\u00e7\u00e3o, em vez de usar extra\u00e7\u00f5es ou cache. Isso pode elevar o custo de computa\u00e7\u00e3o em modelos de cobran\u00e7a por query, como BigQuery ou Snowflake, se o padr\u00e3o de explora\u00e7\u00e3o for intenso. Para times com capacidade reservada, n\u00e3o \u00e9 problema. Para warehouses cobrados por consumo, monitore os padr\u00f5es de query desde cedo.<\/p>\n\n\n\n<p><strong>O Hex se encaixa em workflows de data science<\/strong> melhor do que em BI puramente operacional. Se o seu time mistura notebooks com dashboards para experimenta\u00e7\u00e3o de ML, an\u00e1lise ad hoc e compartilhamento de resultados, o Hex cai bem. Para opera\u00e7\u00e3o padr\u00e3o ou business analytics, \u00e9 mais superf\u00edcie do que voc\u00ea precisa.<\/p>\n\n\n\n<p><strong>O Looker (o produto completo)<\/strong> \u00e9 caro e hoje tem alternativas \u00e0 altura. Avaliar\u00edamos principalmente para organiza\u00e7\u00f5es que j\u00e1 est\u00e3o comprometidas com o Google Cloud, querem consolidar rela\u00e7\u00f5es com fornecedores e t\u00eam or\u00e7amento para ferramentas enterprise.<\/p>\n\n\n\n<p><strong>Para ferramentas internas em que flexibilidade importa mais do que licenciamento<\/strong>, um frontend React enxuto consultando a sua camada gold diretamente costuma ser mais r\u00e1pido de construir e mais f\u00e1cil de manter do que for\u00e7ar uma ferramenta de BI a caber em um caso de uso incomum. Isso funciona especialmente bem em ferramentas operacionais: dashboards de aloca\u00e7\u00e3o, acompanhamento de margem, vis\u00f5es de capacidade do time, qualquer lugar em que a interface precisa espelhar um fluxo interno que nenhum produto de prateleira atende direito.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Um framework pr\u00e1tico de decis\u00e3o<\/strong><\/h2>\n\n\n\n<p>Ao come\u00e7ar um projeto de arquitetura de dados, as decis\u00f5es seguem esta ordem. J\u00e1 existe um provedor de nuvem contratado? Comece por ele e construa dentro desse ecossistema.<\/p>\n\n\n\n<p>Se n\u00e3o h\u00e1 prefer\u00eancia, as fontes principais est\u00e3o no Google Workspace? BigQuery com conectores nativos \u00e9 o caminho de menor resist\u00eancia.<\/p>\n\n\n\n<p>Quais s\u00e3o os tipos de fonte? Na maior parte, ferramentas SaaS padr\u00e3o com conectores prontos, como Salesforce, HubSpot ou Amplitude? Airbyte. Na maior parte, sistemas internos customizados ou propriet\u00e1rios? Conectores em Python com Airflow. Uma mistura dos dois? Airbyte para as fontes padr\u00e3o e conectores customizados para o resto.<\/p>\n\n\n\n<p><strong>Existem planilhas entre as fontes?<\/strong> Conecte como ponte. Mapeie os sistemas a montante. Comece a planejar a migra\u00e7\u00e3o para conex\u00f5es est\u00e1veis via API. <strong>Quais s\u00e3o os outputs desejados? <\/strong>Desenhe os modelos da camada silver em torno desses outputs, n\u00e3o em torno do que \u00e9 f\u00e1cil de construir. S\u00f3 construa a gold quando a silver estiver est\u00e1vel e o p\u00fablico estiver definido.<\/p>\n\n\n\n<p><strong>Intelig\u00eancia Artificial \u00e9 um caso de uso de curto prazo? <\/strong>Desenhe a camada silver para ser acess\u00edvel por IA desde o primeiro dia. Uma arquitetura s\u00f3 com gold vai exigir retrabalho quando os workflows com LLM ou ag\u00eanticos chegarem.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>No fim das contas<\/strong><\/h2>\n\n\n\n<p>A parte dif\u00edcil \u00e9 entender seus dados bem o suficiente para saber quais ferramentas se justificam. Depois disso, escolher as ferramentas \u00e9 f\u00e1cil.<\/p>\n\n\n\n<p><strong>Mapeie seus outputs primeiro. Rastreie suas fontes. <\/strong>Desenhe a camada silver em torno das decis\u00f5es que importam. Construa governan\u00e7a desde o come\u00e7o com dbt. Trate planilhas como uma ponte enquanto identifica os sistemas est\u00e1veis por tr\u00e1s delas. Mantenha a stack enxuta: cada ferramenta a mais \u00e9 uma superf\u00edcie de falha e mais uma rela\u00e7\u00e3o com fornecedor para gerenciar.<\/p>\n\n\n\n<p>As empresas que conseguem colocar IA em produ\u00e7\u00e3o n\u00e3o s\u00e3o as que t\u00eam as arquiteturas mais sofisticadas. S\u00e3o as que primeiro tornaram seus dados confi\u00e1veis e s\u00f3 depois colocaram a IA por cima.<\/p>\n\n\n\n<p>Na Cheesecake Labs, ajudamos empresas a construir a base de arquitetura de dados que torna a IA poss\u00edvel, da arquitetura e engenharia de pipelines at\u00e9 analytics e workflows ag\u00eanticos. Se o seu time \u00e9 rico em dados, mas pobre em insights,<a href=\"https:\/\/cheesecakelabs.com\/contact\" target=\"_blank\" rel=\"noreferrer noopener\"> vamos conversar<\/a>.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><a href=\"https:\/\/cheesecakelabs.com\/contact\" target=\"_blank\" rel=\" noreferrer noopener\"><img decoding=\"async\" width=\"1200\" height=\"409\" src=\"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2023\/06\/legacy-app-ckl-1200x409.jpg\" alt=\"Banner da Cheesecake Labs sobre moderniza\u00e7\u00e3o de aplica\u00e7\u00f5es legadas\" class=\"wp-image-13491\" srcset=\"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2023\/06\/legacy-app-ckl-1200x409.jpg 1200w, https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2023\/06\/legacy-app-ckl-600x205.jpg 600w, https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2023\/06\/legacy-app-ckl-768x262.jpg 768w, https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2023\/06\/legacy-app-ckl-1536x524.jpg 1536w, https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2023\/06\/legacy-app-ckl-760x259.jpg 760w, https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2023\/06\/legacy-app-ckl.jpg 1920w\" sizes=\"(max-width: 1200px) 100vw, 1200px\" \/><\/a><\/figure>\n","protected":false},"excerpt":{"rendered":"<p>A maioria dos artigos sobre stack moderna de arquitetura de dados come\u00e7a pelas ferramentas. Todo projeto que tocamos come\u00e7a em outro lugar: nas suas fontes e nos seus outputs. A arquitetura segue os dados, n\u00e3o o contr\u00e1rio. O que vem a seguir s\u00e3o as decis\u00f5es de engenharia que realmente fazem diferen\u00e7a. N\u00e3o os conceitos, mas [&hellip;]<\/p>\n","protected":false},"author":92,"featured_media":13573,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_yoast_wpseo_title":"As decis\u00f5es de arquitetura de dados que realmente importam","_yoast_wpseo_metadesc":"As decis\u00f5es de arquitetura de dados que realmente importam come\u00e7am nas fontes e nos outputs, n\u00e3o nas ferramentas. Veja como escolher bem.","_yoast_wpseo_meta-robots-noindex":"","_yoast_wpseo_canonical":"","ai_summary":"A arquitetura de dados deve come\u00e7ar pelos outputs desejados (dashboards, relat\u00f3rios, decis\u00f5es) e pelas fontes de dados, n\u00e3o pelas ferramentas; tudo entre esses dois pontos \u00e9 encanamento.\nPlanilhas s\u00e3o a fonte mais comum e mais dif\u00edcil: devem ser tratadas como ponte, n\u00e3o como fonte da verdade, buscando o sistema a montante e migrando tamb\u00e9m a l\u00f3gica de neg\u00f3cio que elas carregam para os modelos do data warehouse.\nBigQuery \u00e9 o default para mid-market e empresas em crescimento; Snowflake e Databricks fazem sentido para volumes muito altos, ML e lakehouse; Microsoft Fabric \u00e9 recomendado apenas dentro do ecossistema Microsoft. Na ingestion, Airbyte \u00e9 o ponto de partida, conectores customizados em Python s\u00e3o subestimados e Fivetran s\u00f3 quando confiabilidade e or\u00e7amento justificam, considerando o aumento de custo do novo modelo de pre\u00e7o por conector.\nNa arquitetura medallion, a camada silver \u00e9 onde ocorre a engenharia de verdade e tamb\u00e9m funciona como camada de IA para pipelines de RAG e automa\u00e7\u00f5es com LLM; o dbt atua como camada de transforma\u00e7\u00e3o e governan\u00e7a, definindo cada m\u00e9trica uma \u00fanica vez e com testes b\u00e1sicos em todos os modelos desde o in\u00edcio.","ai_summary_en":"","ai_summary_pt-br":"A arquitetura de dados deve come\u00e7ar pelos outputs desejados (dashboards, relat\u00f3rios, decis\u00f5es) e pelas fontes de dados, n\u00e3o pelas ferramentas; tudo entre esses dois pontos \u00e9 encanamento.\nPlanilhas s\u00e3o a fonte mais comum e mais dif\u00edcil: devem ser tratadas como ponte, n\u00e3o como fonte da verdade, buscando o sistema a montante e migrando tamb\u00e9m a l\u00f3gica de neg\u00f3cio que elas carregam para os modelos do data warehouse.\nBigQuery \u00e9 o default para mid-market e empresas em crescimento; Snowflake e Databricks fazem sentido para volumes muito altos, ML e lakehouse; Microsoft Fabric \u00e9 recomendado apenas dentro do ecossistema Microsoft. Na ingestion, Airbyte \u00e9 o ponto de partida, conectores customizados em Python s\u00e3o subestimados e Fivetran s\u00f3 quando confiabilidade e or\u00e7amento justificam, considerando o aumento de custo do novo modelo de pre\u00e7o por conector.\nNa arquitetura medallion, a camada silver \u00e9 onde ocorre a engenharia de verdade e tamb\u00e9m funciona como camada de IA para pipelines de RAG e automa\u00e7\u00f5es com LLM; o dbt atua como camada de transforma\u00e7\u00e3o e governan\u00e7a, definindo cada m\u00e9trica uma \u00fanica vez e com testes b\u00e1sicos em todos os modelos desde o in\u00edcio.","footnotes":"","ckl_wpml_lang":"br","ckl_wpml_source_id":13571,"ckl_wpml_status":"ok: lang=br trid=54987 source=13571 at 2026-08-14 16:05:23"},"categories":[1371],"tags":[1381,1380,1379],"class_list":["post-14501","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-analytics","tag-bi","tag-bigquery","tag-data-architecture"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.1.1 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>As decis\u00f5es de arquitetura de dados que realmente importam<\/title>\n<meta name=\"description\" content=\"As decis\u00f5es de arquitetura de dados que realmente importam come\u00e7am nas fontes e nos outputs, n\u00e3o nas ferramentas. Veja como escolher bem.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/\" \/>\n<meta property=\"og:locale\" content=\"pt_BR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"As decis\u00f5es de arquitetura de dados que realmente importam\" \/>\n<meta property=\"og:description\" content=\"As decis\u00f5es de arquitetura de dados que realmente importam come\u00e7am nas fontes e nos outputs, n\u00e3o nas ferramentas. Veja como escolher bem.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/\" \/>\n<meta property=\"og:site_name\" content=\"Cheesecake Labs\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/cheesecakelabs\" \/>\n<meta property=\"article:published_time\" content=\"2026-03-31T18:31:38+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-08-15T07:01:49+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2026\/03\/data-architecture-.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1536\" \/>\n\t<meta property=\"og:image:height\" content=\"689\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Cheesecake Labs\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@cheesecakelabs\" \/>\n<meta name=\"twitter:site\" content=\"@cheesecakelabs\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. tempo de leitura\" \/>\n\t<meta name=\"twitter:data2\" content=\"14 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/\"},\"author\":{\"name\":\"Diana Martins\",\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/#\/schema\/person\/37fa2f0fa5f8d3cbaeb21b973fa5c4b9\"},\"headline\":\"As decis\u00f5es de arquitetura de dados que realmente importam\",\"datePublished\":\"2026-03-31T18:31:38+00:00\",\"dateModified\":\"2026-08-15T07:01:49+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/\"},\"wordCount\":2859,\"publisher\":{\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/#organization\"},\"image\":{\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2026\/03\/data-architecture-.jpg\",\"keywords\":[\"BI\",\"Bigquery\",\"data architecture\"],\"articleSection\":[\"Data &amp; Analytics\"],\"inLanguage\":\"pt-BR\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/\",\"url\":\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/\",\"name\":\"As decis\u00f5es de arquitetura de dados que realmente importam\",\"isPartOf\":{\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2026\/03\/data-architecture-.jpg\",\"datePublished\":\"2026-03-31T18:31:38+00:00\",\"dateModified\":\"2026-08-15T07:01:49+00:00\",\"description\":\"As decis\u00f5es de arquitetura de dados que realmente importam come\u00e7am nas fontes e nos outputs, n\u00e3o nas ferramentas. Veja como escolher bem.\",\"breadcrumb\":{\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#breadcrumb\"},\"inLanguage\":\"pt-BR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#primaryimage\",\"url\":\"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2026\/03\/data-architecture-.jpg\",\"contentUrl\":\"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2026\/03\/data-architecture-.jpg\",\"width\":1536,\"height\":689,\"caption\":\"data architecture | | Cheesecake Labs\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/cheesecakelabs.com\/blog\/br\/blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"As decis\u00f5es de arquitetura de dados que realmente importam\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/#website\",\"url\":\"https:\/\/cheesecakelabs.com\/blog\/br\/\",\"name\":\"Cheesecake Labs\",\"description\":\"Empresa de desenvolvimento e design de aplicativos mobile &amp; web que est\u00e1 reinventando o desenvolvimento de produtos com times remotos. N\u00f3s desenvolvemos aplicativos iOS, Android e aplica\u00e7\u00f5es Web com as melhores empresas dos EUA, do Brasil e do mundo.\",\"publisher\":{\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/cheesecakelabs.com\/blog\/br\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"pt-BR\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/#organization\",\"name\":\"Cheesecake Labs\",\"alternateName\":\"Cheesecake Labs Inc\",\"url\":\"https:\/\/cheesecakelabs.com\/\",\"logo\":{\"@type\":\"ImageObject\",\"@id\":\"https:\/\/cheesecakelabs.com\/#logo\",\"url\":\"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2022\/06\/cheesecake-labs-1.png\",\"contentUrl\":\"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2022\/06\/cheesecake-labs-1.png\",\"caption\":\"Cheesecake Labs\",\"inLanguage\":\"br\"},\"image\":{\"@type\":\"ImageObject\",\"@id\":\"https:\/\/cheesecakelabs.com\/#primary-image\",\"url\":\"https:\/\/ckl-website-v4-strapi-prod.s3.us-east-2.amazonaws.com\/ai_software_development_company_83fb512983.webp\",\"contentUrl\":\"https:\/\/ckl-website-v4-strapi-prod.s3.us-east-2.amazonaws.com\/ai_software_development_company_83fb512983.webp\",\"width\":1920,\"height\":1080,\"caption\":\"Cheesecake Labs \u2014 AI, Data & Blockchain software development services\",\"inLanguage\":\"br\"},\"sameAs\":[\"https:\/\/www.facebook.com\/cheesecakelabs\",\"https:\/\/x.com\/cheesecakelabs\",\"https:\/\/www.instagram.com\/cheesecakelabs\/\",\"https:\/\/www.linkedin.com\/company\/cheesecake-labs\/\",\"https:\/\/www.youtube.com\/channel\/UCdGEQ5AHJcmIlaOaI5fGGVA\",\"https:\/\/clutch.co\/profile\/cheesecake-labs\",\"https:\/\/www.behance.net\/cheesecakelabs\",\"https:\/\/dribbble.com\/cheesecakelabs\",\"https:\/\/www.designrush.com\/agency\/profile\/cheesecake-labs\",\"https:\/\/www.g2.com\/products\/cheesecake-labs\/reviews\"],\"description\":\"Cheesecake Labs is a software development studio that designs and builds custom digital products \u2014 web, mobile, and platforms \u2014 combining product design and high-performance engineering.\",\"foundingDate\":\"2013\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/#\/schema\/person\/37fa2f0fa5f8d3cbaeb21b973fa5c4b9\",\"name\":\"Diana Martins\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\/\/cheesecakelabs.com\/blog\/br\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/d074fb633a22723051c9d98ffc13065a28f0b52bd30a4c0a832ee19820caa4ba?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/d074fb633a22723051c9d98ffc13065a28f0b52bd30a4c0a832ee19820caa4ba?s=96&d=mm&r=g\",\"caption\":\"Diana Martins\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"As decis\u00f5es de arquitetura de dados que realmente importam","description":"As decis\u00f5es de arquitetura de dados que realmente importam come\u00e7am nas fontes e nos outputs, n\u00e3o nas ferramentas. Veja como escolher bem.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/","og_locale":"pt_BR","og_type":"article","og_title":"As decis\u00f5es de arquitetura de dados que realmente importam","og_description":"As decis\u00f5es de arquitetura de dados que realmente importam come\u00e7am nas fontes e nos outputs, n\u00e3o nas ferramentas. Veja como escolher bem.","og_url":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/","og_site_name":"Cheesecake Labs","article_publisher":"https:\/\/www.facebook.com\/cheesecakelabs","article_published_time":"2026-03-31T18:31:38+00:00","article_modified_time":"2026-08-15T07:01:49+00:00","og_image":[{"width":1536,"height":689,"url":"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2026\/03\/data-architecture-.jpg","type":"image\/jpeg"}],"author":"Cheesecake Labs","twitter_card":"summary_large_image","twitter_creator":"@cheesecakelabs","twitter_site":"@cheesecakelabs","twitter_misc":{"Escrito por":null,"Est. tempo de leitura":"14 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#article","isPartOf":{"@id":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/"},"author":{"name":"Diana Martins","@id":"https:\/\/cheesecakelabs.com\/blog\/br\/#\/schema\/person\/37fa2f0fa5f8d3cbaeb21b973fa5c4b9"},"headline":"As decis\u00f5es de arquitetura de dados que realmente importam","datePublished":"2026-03-31T18:31:38+00:00","dateModified":"2026-08-15T07:01:49+00:00","mainEntityOfPage":{"@id":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/"},"wordCount":2859,"publisher":{"@id":"https:\/\/cheesecakelabs.com\/blog\/br\/#organization"},"image":{"@id":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#primaryimage"},"thumbnailUrl":"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2026\/03\/data-architecture-.jpg","keywords":["BI","Bigquery","data architecture"],"articleSection":["Data &amp; Analytics"],"inLanguage":"pt-BR"},{"@type":"WebPage","@id":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/","url":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/","name":"As decis\u00f5es de arquitetura de dados que realmente importam","isPartOf":{"@id":"https:\/\/cheesecakelabs.com\/blog\/br\/#website"},"primaryImageOfPage":{"@id":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#primaryimage"},"image":{"@id":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#primaryimage"},"thumbnailUrl":"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2026\/03\/data-architecture-.jpg","datePublished":"2026-03-31T18:31:38+00:00","dateModified":"2026-08-15T07:01:49+00:00","description":"As decis\u00f5es de arquitetura de dados que realmente importam come\u00e7am nas fontes e nos outputs, n\u00e3o nas ferramentas. Veja como escolher bem.","breadcrumb":{"@id":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#breadcrumb"},"inLanguage":"pt-BR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/"]}]},{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#primaryimage","url":"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2026\/03\/data-architecture-.jpg","contentUrl":"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2026\/03\/data-architecture-.jpg","width":1536,"height":689,"caption":"data architecture | | Cheesecake Labs"},{"@type":"BreadcrumbList","@id":"https:\/\/cheesecakelabs.com\/blog\/br\/decisoes-de-arquitetura-de-dados\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/cheesecakelabs.com\/blog\/br\/blog\/"},{"@type":"ListItem","position":2,"name":"As decis\u00f5es de arquitetura de dados que realmente importam"}]},{"@type":"WebSite","@id":"https:\/\/cheesecakelabs.com\/blog\/br\/#website","url":"https:\/\/cheesecakelabs.com\/blog\/br\/","name":"Cheesecake Labs","description":"Empresa de desenvolvimento e design de aplicativos mobile &amp; web que est\u00e1 reinventando o desenvolvimento de produtos com times remotos. N\u00f3s desenvolvemos aplicativos iOS, Android e aplica\u00e7\u00f5es Web com as melhores empresas dos EUA, do Brasil e do mundo.","publisher":{"@id":"https:\/\/cheesecakelabs.com\/blog\/br\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/cheesecakelabs.com\/blog\/br\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"pt-BR"},{"@type":"Organization","@id":"https:\/\/cheesecakelabs.com\/blog\/br\/#organization","name":"Cheesecake Labs","alternateName":"Cheesecake Labs Inc","url":"https:\/\/cheesecakelabs.com\/","logo":{"@type":"ImageObject","@id":"https:\/\/cheesecakelabs.com\/#logo","url":"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2022\/06\/cheesecake-labs-1.png","contentUrl":"https:\/\/ckl-website-static.s3.amazonaws.com\/wp-content\/uploads\/2022\/06\/cheesecake-labs-1.png","caption":"Cheesecake Labs","inLanguage":"br"},"image":{"@type":"ImageObject","@id":"https:\/\/cheesecakelabs.com\/#primary-image","url":"https:\/\/ckl-website-v4-strapi-prod.s3.us-east-2.amazonaws.com\/ai_software_development_company_83fb512983.webp","contentUrl":"https:\/\/ckl-website-v4-strapi-prod.s3.us-east-2.amazonaws.com\/ai_software_development_company_83fb512983.webp","width":1920,"height":1080,"caption":"Cheesecake Labs \u2014 AI, Data & Blockchain software development services","inLanguage":"br"},"sameAs":["https:\/\/www.facebook.com\/cheesecakelabs","https:\/\/x.com\/cheesecakelabs","https:\/\/www.instagram.com\/cheesecakelabs\/","https:\/\/www.linkedin.com\/company\/cheesecake-labs\/","https:\/\/www.youtube.com\/channel\/UCdGEQ5AHJcmIlaOaI5fGGVA","https:\/\/clutch.co\/profile\/cheesecake-labs","https:\/\/www.behance.net\/cheesecakelabs","https:\/\/dribbble.com\/cheesecakelabs","https:\/\/www.designrush.com\/agency\/profile\/cheesecake-labs","https:\/\/www.g2.com\/products\/cheesecake-labs\/reviews"],"description":"Cheesecake Labs is a software development studio that designs and builds custom digital products \u2014 web, mobile, and platforms \u2014 combining product design and high-performance engineering.","foundingDate":"2013"},{"@type":"Person","@id":"https:\/\/cheesecakelabs.com\/blog\/br\/#\/schema\/person\/37fa2f0fa5f8d3cbaeb21b973fa5c4b9","name":"Diana Martins","image":{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/cheesecakelabs.com\/blog\/br\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/d074fb633a22723051c9d98ffc13065a28f0b52bd30a4c0a832ee19820caa4ba?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/d074fb633a22723051c9d98ffc13065a28f0b52bd30a4c0a832ee19820caa4ba?s=96&d=mm&r=g","caption":"Diana Martins"}}]}},"_links":{"self":[{"href":"https:\/\/cheesecakelabs.com\/blog\/br\/wp-json\/wp\/v2\/posts\/14501","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cheesecakelabs.com\/blog\/br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cheesecakelabs.com\/blog\/br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cheesecakelabs.com\/blog\/br\/wp-json\/wp\/v2\/users\/92"}],"replies":[{"embeddable":true,"href":"https:\/\/cheesecakelabs.com\/blog\/br\/wp-json\/wp\/v2\/comments?post=14501"}],"version-history":[{"count":3,"href":"https:\/\/cheesecakelabs.com\/blog\/br\/wp-json\/wp\/v2\/posts\/14501\/revisions"}],"predecessor-version":[{"id":15031,"href":"https:\/\/cheesecakelabs.com\/blog\/br\/wp-json\/wp\/v2\/posts\/14501\/revisions\/15031"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cheesecakelabs.com\/blog\/br\/wp-json\/wp\/v2\/media\/13573"}],"wp:attachment":[{"href":"https:\/\/cheesecakelabs.com\/blog\/br\/wp-json\/wp\/v2\/media?parent=14501"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cheesecakelabs.com\/blog\/br\/wp-json\/wp\/v2\/categories?post=14501"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cheesecakelabs.com\/blog\/br\/wp-json\/wp\/v2\/tags?post=14501"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}