Infraestrutura

Modern data stack para PMEs: do que você precisa e o que pode deixar de lado

Tábuas de madeira empilhadas em camadas vermelhas e laranja Relatórios em que dá para confiar?

Uma modern data stack é uma cadeia curta de ferramentas que copia os dados dos sistemas onde eles são criados, armazena tudo em um só lugar, organiza e exibe em dashboards. Para a maioria das empresas de pequeno e médio porte, a versão certa é pequena: um script agendado, um banco de dados PostgreSQL e uma ferramenta de relatórios. O nome sugere uma lista de compras. É melhor lê-lo como cinco camadas, e cada uma pode ser tão simples quanto as suas perguntas permitirem.

Este guia é para o dono ou o responsável por operações de uma empresa no Reino Unido cujos relatórios vivem em planilhas alimentadas por Xero, Sage, Salesforce, HubSpot, Shopify ou NetSuite. Ele percorre cada camada, mostra a menor versão que funciona e diz quando uma ferramenta maior compensa o custo. Trabalhamos com essas ferramentas no nosso serviço de engenharia de dados e analytics, então, quando fazer menos é a resposta certa, dizemos isso.

Principais conclusões

  • Uma modern data stack tem cinco camadas: fontes, uma carga agendada, um data warehouse, transformações e dashboards. Dá para rodar as cinco com poucas ferramentas modestas.
  • O PostgreSQL é suficiente para a maioria das PMEs. Snowflake e BigQuery cobram pelo uso e se adaptam a grandes volumes e consultas pesadas, então são um passo posterior.
  • Se o seu time já tem licenças da Microsoft, o Power BI costuma ser o caminho mais rápido para os relatórios. Metabase e o Data Studio do Google (antigo Looker Studio) servem para times sem essas licenças.
  • Corrija a qualidade dos dados primeiro. Duplicidades e registros inconsistentes estragam os relatórios e dificultam qualquer projeto futuro de IA.
  • Conosco, uma auditoria de dados começa em R$ 21.000, um projeto de data warehouse e relatórios em R$ 35.000 e uma plataforma de dados completa em R$ 69.000.

O que é uma modern data stack?

É o conjunto de camadas entre os seus sistemas de negócio e um relatório. Seu sistema contábil, seu CRM e sua loja guardam, cada um, uma fatia da verdade. A stack copia essas fatias para um único banco de dados de forma agendada, limpa e cruza os dados e coloca o resultado diante das pessoas.

As cinco camadas são estas:

  1. Fontes. Os sistemas que guardam os dados, cada um com uma interface (uma API) da qual o software consegue ler.
  2. Carga. Uma rotina agendada que copia os dados para fora.
  3. Data warehouse. Um único banco de dados que guarda as cópias.
  4. Transformações. As regras que transformam registros brutos em números como receita por cliente.
  5. Dashboards. As telas que as pessoas abrem.

Cada camada é uma escolha separada. Essa é a parte útil da ideia: uma ferramenta de dashboards melhor não exige reconstruir o data warehouse que está por baixo.

Quando uma PME precisa de uma?

Você precisa de uma quando a mesma pergunta recebe respostas diferentes, e não antes. Os sinais práticos são alguém passar um dia por mês copiando números entre sistemas, duas pessoas chegarem a totais diferentes ou um relatório não existir porque os dados estão em três lugares.

Se um único sistema responde às suas perguntas, gere os relatórios a partir dele e pare por aí. A maioria dos sistemas contábeis e CRMs tem bons relatórios nativos. Uma stack passa a valer a pena quando você precisa cruzar dados entre sistemas, como as vendas do CRM com as faturas no Xero, ou os pedidos do Shopify com o estoque em um ERP.

Se o problema real é uma planilha que virou um sistema de negócio, outra solução pode se encaixar melhor, e nosso guia sobre migrar do Excel para um aplicativo web trata disso.

Camada 1: as fontes e suas APIs

Quase todo sistema de negócio permite que um software leia seus dados, e é isso que torna o resto possível. Xero, Sage, Salesforce, HubSpot, Shopify e NetSuite publicam interfaces que um pipeline consegue ler de forma agendada. Dizemos “consegue” porque o acesso varia conforme o plano e a edição, e alguns sistemas limitam a velocidade de leitura.

Duas verificações antes de tudo. Primeiro, liste os sistemas que guardam os dados dos seus relatórios e quem é o responsável por cada um. Segundo, descubra se o seu plano inclui acesso à API. Nosso guia de integração via API trata de acesso restrito por plano e limites de requisições, e o guia de integração com o Xero traz os números do Xero.

Quando um sistema não tem interface nenhuma, muitas vezes os dados podem ser acessados de outra forma, como uma conexão direta com o banco de dados ou uma exportação agendada. Isso custa mais do que uma API bem-feita, então vale saber cedo.

Camada 2: extrair os dados de forma agendada

A menor versão é um script em Python que roda toda noite, lê os registros novos e os grava no seu banco de dados. É barato de rodar e fácil de ler.

A alternativa é um serviço gerenciado de conectores, como o Fivetran, pelo qual você paga em vez de desenvolver. Um conector pode poupar tempo de desenvolvimento quando suas fontes são produtos populares. Um script vale mais quando uma fonte é incomum, quando você precisa só de algumas tabelas ou quando quer evitar mais uma assinatura. Trabalhamos com os dois, e qual se encaixa depende das suas fontes, então dizemos isso na auditoria.

Seja qual for a escolha, dois hábitos importam mais do que a ferramenta. Carregue só o que mudou desde a última execução, em vez de tudo a cada vez. E faça com que toda execução possa ser repetida com segurança, para que uma noite com falha não deixe linhas duplicadas. As duas coisas são engenharia comum, e nosso guia de integração com ERP explica a mesma ideia para sistemas em produção.

Camada 3: o data warehouse

Um data warehouse é um banco de dados que guarda cópias dos seus dados, organizadas para serem consultadas em um só lugar. Ele não substitui seu software contábil nem seu CRM. Ele fica ao lado deles.

Comece pelo PostgreSQL. Ele não tem custo de licença e aguenta muito mais do que a maioria das PMEs vai armazenar. É também o banco de dados sobre o qual nossas próprias plataformas são construídas. A maioria dos casos de sucesso no nosso site lista Python, Django e PostgreSQL na stack, por exemplo a plataforma de previsão de mercado.

Passe para Snowflake ou BigQuery quando o volume e a carga de consultas justificarem. Ambos cobram pelo que você usa, e não por um servidor ligado o dia todo. A documentação do Snowflake diz que ele cobra o processamento em créditos, com cobrança por segundo e mínimo de 60 segundos a cada vez que um warehouse é iniciado, e o armazenamento a uma taxa fixa por terabyte (Snowflake). A documentação do BigQuery, do Google, diz que o modelo sob demanda cobra as consultas pelo número de bytes lidos, e que um modelo de capacidade cobra por slots reservados (Google Cloud). A cobrança por uso é boa quando a carga é irregular e cara quando uma consulta descuidada varre uma tabela enorme, então alguém precisa acompanhar.

Também trabalhamos com Amazon Redshift, SQL Server e Databricks. O SQL Server faz sentido onde a sua empresa já roda nele. Para uma empresa de dez ou vinte pessoas, nenhum deles é o ponto de partida habitual.

Camada 4: transformações e agendamento

Cópias brutas não são relatórios. Alguém precisa decidir o que “receita” significa, como associar um cliente do CRM ao mesmo cliente no Xero e o que fazer com um registro sem data. Essas regras são a camada de transformação.

O dbt é a ferramenta comum para isso. A documentação dele descreve escrever uma instrução SQL select por modelo, com o dbt cuidando do trabalho ao redor, além de testes de qualidade de dados e documentação gerada automaticamente (dbt). A distribuição open source é licenciada sob Apache 2.0. O valor para uma empresa é que as regras ficam em arquivos legíveis e testados, e não nas fórmulas de planilha de alguém.

O Airflow é a ferramenta comum para executar etapas em ordem, de forma agendada, com aviso a uma pessoa quando uma delas falha. A documentação o descreve como uma plataforma open source para desenvolver, agendar e monitorar fluxos de trabalho, definidos em Python (Apache Airflow).

Para a menor stack, você não precisa de nenhum dos dois. Um script agendado e algumas views SQL resolvem, desde que uma falha envie um alerta a alguém. Adicione o dbt quando o SQL crescer além do que uma pessoa consegue guardar na cabeça. Adicione o Airflow quando houver muitas etapas dependentes. Alertas de falha importam em qualquer tamanho, porque uma falha silenciosa faz as pessoas agirem com os números de ontem sem saber.

Camada 5: dashboards, e Power BI vs Metabase

Escolha a ferramenta de dashboards que o seu time vai de fato abrir. O Power BI é o caminho mais rápido onde já existem licenças da Microsoft. A página da Microsoft no Reino Unido lista o Power BI Pro a R$ 74,52 por usuário por mês, com pagamento anual, e diz que o preço não inclui VAT (Microsoft). Esse é o preço de tabela no momento em que escrevemos (novembro de 2026), e o preço final aparece no checkout.

Onde não há licença Microsoft para aproveitar, há duas escolhas comuns:

  • O Metabase tem uma edição open source, e a página de preços a lista com usuários ilimitados gratuitos (Metabase). Os planos pagos acrescentam uma mensalidade base e tarifas por usuário. Hospedar por conta própria significa que você mantém o servidor.
  • O Data Studio do Google, nome que o Google deu ao Looker Studio em 16 de abril de 2026 (notas de versão do Google Cloud). O Google descreve o Data Studio Pro como a versão paga (Google Cloud), então a ferramenta padrão é a gratuita. Vale conferir se o seu time já trabalha com as ferramentas do Google.
FerramentaMelhor encaixeObservação sobre licença
Power BITimes com Microsoft 365Pro a R$ 74,52 por usuário por mês, anual
MetabasePerguntas em autoatendimentoEdição open source gratuita
Data StudioTimes com Google WorkspaceFerramenta gratuita, plano Pro pago

Seja qual for a escolha, mantenha poucos dashboards. Dez relatórios em que as pessoas confiam valem mais do que sessenta que ninguém mantém.

Onde tudo isso deve rodar?

Na cloud de que você já compra. Hospedamos na AWS ou na Azure, conforme a forma como você já compra software, e no Supabase quando uma estrutura menor não justifica o peso de nenhuma das duas. Escolha a região de hospedagem desde o início para que os dados fiquem no Reino Unido ou na UE, se suas políticas ou seus clientes exigirem.

No nosso caso, a plataforma roda na sua própria conta de cloud, então as chaves ficam com você, e todo o código e a propriedade intelectual passam para você mediante o pagamento. Os custos de operação são separados do desenvolvimento e estimados antes de ele começar: a hospedagem na cloud de um data warehouse pequeno começa em cerca de R$ 830 por mês.

Como são três tamanhos de stack?

Aqui estão três tamanhos, da menor que funciona até uma plataforma completa. Trate-os como pontos de partida, não como receita.

TamanhoCamadasEncaixe típico
PequenaScript, PostgreSQL, Power BI ou Metabase5 a 30 funcionários, 2 a 4 fontes
MédiaAcrescenta testes no dbt e alertas no AirflowMuitas fontes, vários responsáveis por relatórios
GrandeAcrescenta Snowflake ou BigQuery, conectores gerenciadosVolume pesado, muitos times consultando

A maioria das PMEs fica na primeira linha por um bom tempo. O salto para a terceira linha é determinado pelo volume de dados e pela carga de consultas, que dá para medir, e não pelo porte da empresa.

A qualidade dos dados vem antes da IA

Se você pretende usar previsões ou IA, o data warehouse vem primeiro. Os modelos aprendem com registros históricos consistentes, e o motivo habitual de projetos de IA decepcionarem é que os dados de base nunca foram organizados para eles. Clientes duplicados, campos de texto livre e datas ausentes são normais, e são tratados na camada de transformação, em vez de serem vistos como motivo para esperar.

Raramente você precisa de uma plataforma completa para isso. Uma base mais restrita muitas vezes basta, e nosso checklist de prontidão para IA mostra como avaliá-la. Quando a base estiver pronta, um trabalho de machine learning sobre tabelas de números pode usar o mesmo banco PostgreSQL para os dados de treinamento e as previsões. Nosso post sobre exemplos de visão computacional mostra o que vem depois para trabalhos com imagens. Se você está avaliando a IA de forma mais ampla, nosso serviço de consultoria em IA começa com uma avaliação das plataformas de dados que você já usa.

Quanto custa conosco?

Nossos preços de engenharia de dados e analytics têm três etapas:

  • Auditoria de dados, a partir de R$ 21.000. Revisão de todos os sistemas que guardam seus dados, avaliação da qualidade dos dados, uma arquitetura recomendada em linguagem simples e um plano com custos. Leva de uma a duas semanas.
  • Data warehouse e relatórios, a partir de R$ 35.000. Um conjunto definido de sistemas de origem conectado, um data warehouse que seus relatórios conseguem consultar, dashboards e atualização automática com alertas de falha. Um trabalho assim costuma levar de seis a dezesseis semanas.
  • Plataforma de dados completa, a partir de R$ 69.000. Todas as fontes conectadas, verificações de qualidade de dados e regras de governança, e suporte contínuo depois do lançamento.

Os desenvolvimentos têm nossa garantia de satisfação: cancele nos primeiros 21 dias com reembolso integral; caso contrário, pague por marcos de entrega, à medida que cada etapa funciona. Peça um plano com custos por escrito em qualquer orçamento que estiver avaliando, inclusive o nosso.

Um próximo passo sensato

Anote as três perguntas que você mais quer ver respondidas sem planilha e os sistemas de onde vem cada resposta. Essa lista mostra quais fontes conectar primeiro e se uma stack pequena resolve. Se hoje você não consegue obter a mesma resposta de duas pessoas, comece por aí.

Se você quiser uma visão externa, uma auditoria de dados a partir de R$ 21.000 revisa cada sistema, avalia a qualidade dos dados e termina com um plano com custos, antes de qualquer desenvolvimento ser acordado.

Perguntas frequentes

O que é a modern data stack?

É um conjunto de camadas que leva os dados da empresa dos sistemas onde eles são criados até um relatório em que alguém possa confiar. Os dados são copiados dos sistemas de origem de forma agendada, armazenados em um data warehouse, limpos e combinados com SQL testado, e depois exibidos em dashboards. Cada camada pode ser uma ferramenta diferente, e é por isso que você pode começar pequeno e trocar partes depois.

Uma pequena empresa precisa de um data warehouse?

Nem sempre. Se um único sistema responde às suas perguntas, gere os relatórios a partir dele. Um data warehouse se justifica quando os números precisam ser cruzados entre sistemas, quando duas pessoas chegam a totais diferentes para a mesma pergunta ou quando alguém passa dias por mês copiando números entre planilhas. Para a maioria das PMEs, um banco de dados PostgreSQL é suficiente.

Snowflake ou BigQuery: qual é melhor para uma PME?

Nenhum dos dois é o padrão para uma pequena empresa. Ambos cobram pelo uso, e não por um servidor ligado o dia todo, o que se adapta a grandes volumes e consultas pesadas. O Snowflake cobra créditos de processamento por segundo e armazenamento por terabyte. O modelo sob demanda do BigQuery cobra pelos bytes lidos. Se um único banco PostgreSQL dá conta dos seus dados, comece por ele.

Power BI ou Metabase: qual devemos escolher?

Escolha o Power BI se o seu time já tem licenças da Microsoft, porque a ferramenta é familiar e o Power BI Pro custa R$ 74,52 por usuário por mês, com pagamento anual, sem VAT, o imposto sobre valor agregado britânico (verificado em novembro de 2026). Escolha o Metabase ou o Data Studio do Google, antigo Looker Studio, quando não houver licença Microsoft para aproveitar. O Metabase tem uma edição open source gratuita.

Quanto custa um data warehouse para uma pequena empresa?

Conosco, uma auditoria de dados começa em R$ 21.000, um projeto de data warehouse e relatórios em R$ 35.000 e uma plataforma de dados completa em R$ 69.000. Os custos de operação são separados e modestos: a hospedagem na cloud de um data warehouse pequeno começa em cerca de R$ 830 por mês, e as licenças do Power BI custam cerca de R$ 76 por usuário por mês. Os custos sobem com o volume de dados e a frequência de atualização.

Seus relatórios dependem de planilhas?

Agende uma consultoria gratuita de 30 minutos e diremos qual é a menor estrutura de dados capaz de responder às suas perguntas.

Agende uma consultoria Peça um orçamento grátis

Continue explorando

Voltar para todos os artigos

Agende uma conversa gratuita com Matt

Product Owner e cofundador · São Paulo

Peça para ligarmos para você

Deixe seu nome e telefone e nós ligamos para você.