Cristina Carvalho Amaral; Everton Gomede

DOI: 10.22167/2675-6528-202600678

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

No contexto do mercado digital, a fragmentação de dados e abordagens generalistas comprometeram a eficácia das estratégias de Customer Relationship Management (CRM), impactando a retenção de receita e a personalização das interações com consumidores. Este estudo analisou uma arquitetura de integração de dados baseada em Application Programming Interfaces (APIs), mensageria distribuída com Apache Kafka e processamento em nuvem no Google Cloud Platform (GCP). A arquitetura considerou o fluxo de dados desde a GraphQL Admin API da Shopify, passando por funções serverless e camada de mensageria, até a inserção em Data Extensions e ativação de jornadas no Salesforce Marketing Cloud. A pesquisa baseou-se em um caso real de uma empresa portuguesa do setor de beleza, combinando revisão bibliográfica e implementação técnica de um fluxo orientado a eventos. Os resultados demonstraram redução do tempo de resposta operacional, aumento da taxa de recuperação de carrinhos abandonados e geração de receita incremental por meio da automação das comunicações. A integração de dados orientada a eventos, juntamente com controles de consentimento, validação das informações e aplicação de regras de negócio em ambiente intermediário, contribuiu para a otimização financeira, maior eficiência operacional e conformidade com o Regulamento Geral de Proteção de Dados (RGPD).

Palavras-chave: Automação de marketing; Customer Relationship Management [CRM]; Integração de sistemas; Recuperação de carrinho; Segurança de dados.

1. Introdução

No cenário atual do mercado digital, a inteligência de dados tornou-se um pilar fundamental para as estratégias de comunicação e marketing. A capacidade de personalizar as interações com os consumidores, baseada em dados, é crucial para relacionamentos duradouros. A gestão eficaz desses dados permite que as empresas não apenas atraiam, mas também retenham clientes, uma abordagem financeiramente mais eficiente, conforme apontado por Kotler e Keller (2016). Nesse contexto, sistemas de Customer Relationship Management (CRM), como o Salesforce Marketing Cloud, desempenham um papel central, oferecendo ferramentas para integrar e tratar dados de clientes, viabilizando mensagens personalizadas e jornadas automatizadas conforme o perfil do consumidor (Brambilla, 2009).

Apesar da crescente dependência da inteligência de dados, o setor enfrenta desafios significativos. Abordagens generalistas de marketing, que desconsideram o histórico de compra ou o contexto de uso do produto, comprometem a efetividade das estratégias de CRM. Além disso, a fragmentação dos dados entre sistemas cria lacunas que impactam negativamente a retenção de receita. A integração de dados, portanto, assume caráter estratégico, transcendendo a mera necessidade operacional para a eficiência financeira e a competitividade das empresas no ambiente digital.

Nesse panorama, as Application Programming Interfaces (APIs) emergem como um componente vital para a comunicação entre diferentes plataformas, garantindo consistência, segurança e escalabilidade para o fluxo de dados (De, 2022). A gestão de APIs, incluindo o processo de “discovery”, é fundamental para identificar operações essenciais e compreender limitações técnicas e funcionais de cada sistema (Chang, 2023), superando a complexidade de ambientes digitais com múltiplas plataformas.

A arquitetura orientada a eventos, com plataformas de “event streaming” como o Apache Kafka, oferece uma solução robusta para integrar sistemas distribuídos. Essa abordagem permite a publicação, distribuição e consumo contínuo de dados em tempo real, utilizando um modelo “publish/subscribe” que desacopla produtores e consumidores. Isso melhora a escalabilidade e a organização do fluxo de eventos entre múltiplos sistemas, sendo particularmente adequada para cenários que envolvem grandes volumes de eventos que necessitam ser ingeridos, armazenados temporariamente e processados por diversas aplicações de forma independente (Raptis e Passarella, 2023).

Outro aspecto crítico é a conformidade com regulamentações de proteção de dados, como o Regulamento Geral de Proteção de Dados (RGPD). Este exige que comunicações de marketing sejam enviadas apenas a clientes com autorização clara e direta. Isso impõe a necessidade de arquiteturas de integração que garantam qualidade, segurança e conformidade regulatória, contribuindo para a confiança dos consumidores. A importância de camadas intermediárias de processamento, atuando como ponto central de ingestão e tratamento de dados, é reforçada por Beyer et al. (2016). Essa abordagem reduz o acoplamento direto entre sistemas e facilita o controle, monitoramento e escalabilidade, alinhando-se à necessidade de consistência e integridade das informações para a efetividade das estratégias de CRM (Brambilla, 2009).

Nesse cenário, o uso de camadas intermediárias de processamento e mensageria é fundamental para validar, filtrar e tratar os dados antes que sejam ativados em plataformas de CRM. Essa etapa minimiza riscos de uso indevido, assegurando que apenas dados qualificados e consentidos sejam utilizados em campanhas de marketing. A lacuna prática reside na dificuldade de muitas empresas em implementar uma arquitetura que integre de forma eficiente e segura plataformas de comércio eletrônico, processamento em nuvem e sistemas de CRM, garantindo a conformidade regulatória e a personalização necessária para otimizar resultados financeiros.

Diante desses desafios, este trabalho tem como objetivo analisar e propor uma arquitetura de integração de dados que garanta qualidade, conformidade com o RGPD e suporte à criação de comunicações personalizadas e jornadas automatizadas, com foco na recuperação de carrinhos abandonados. Para isso, considera-se um fluxo no qual os dados são coletados na Shopify, processados no Google Cloud Platform (GCP) e posteriormente disponibilizados no Salesforce Marketing Cloud, com o apoio do Apache Kafka como camada de mensageria orientada a eventos, buscando transformar eventos operacionais do e-commerce em ações automatizadas de relacionamento com o cliente, contribuindo para a redução de perdas financeiras associadas a compras não concluídas.

2. Material e Métodos

A pesquisa caracterizou-se como um estudo de natureza aplicada, com abordagem metodológica que combinou pesquisa bibliográfica e a implementação técnica de um fluxo de integração de dados orientado a eventos. O objetivo principal foi compreender e propor soluções para a integração eficiente entre plataformas de comércio eletrônico, armazenamento em nuvem e sistemas de Customer Relationship Management (CRM).

O estudo baseou-se em um caso real de uma empresa portuguesa atuante na indústria da beleza. Para preservar a confidencialidade da fonte, os dados utilizados foram modificados, mantendo-se, contudo, a proporcionalidade original das informações e da estrutura, garantindo a validade analítica da investigação.

No contexto do estudo, identificou-se uma restrição arquitetural na qual o Salesforce Marketing Cloud não podia receber dados diretamente da Shopify, devido a questões técnicas e de segurança da organização. Assim, estabeleceu-se que todas as informações de clientes, vendas e acessos deveriam ser previamente tratadas no Google Cloud Platform (GCP).

Adicionalmente, como regra da empresa estudada, adotou-se o Apache Kafka como camada central de mensageria distribuída. Essa escolha visou intermediar de forma assíncrona o fluxo de eventos entre os sistemas de origem e os sistemas consumidores, garantindo o desacoplamento e a escalabilidade da arquitetura.

O levantamento teórico inicial concentrou-se na análise da literatura sobre gestão de Application Programming Interfaces (APIs), integração de sistemas e o uso estratégico de dados em CRM. Essa etapa buscou fundamentar a compreensão das arquiteturas de integração em ambientes digitais complexos, conforme princípios destacados por Chang (2023) e Raptis e Passarella (2023).

A coleta de dados na plataforma Shopify foi realizada por meio da GraphQL Admin API, conforme a documentação oficial. Para viabilizar o acesso, criou-se um aplicativo personalizado, denominado “Custom App”, configurado no painel administrativo da Shopify com um conjunto restrito de permissões de acesso, os “scopes”, limitando a leitura a informações de clientes e “checkouts” para garantir a segurança dos dados.

O consumo da GraphQL Admin API ocorreu dentro de uma Cloud Function, desenvolvida em Python e implantada no GCP, com o nome `fn-shopify-graphql-checkouts`. Essa função foi dedicada exclusivamente a consultas sob demanda na Shopify, sem responsabilidade pelo processamento de eventos ou integração direta com sistemas de CRM.

A captura de eventos gerados pela plataforma de comércio eletrônico foi configurada por meio de webhooks no painel administrativo da Shopify. Esses webhooks atuaram como mecanismos automáticos de notificação, acionados pelo evento “checkouts/update”, enviando uma requisição HTTP para um ponto de acesso previamente definido no ambiente em nuvem.

O ponto de acesso para os webhooks foi uma Cloud Function distinta no GCP, denominada `fn-shopify-webhook-checkouts`. Essa função foi responsável pela recepção, validação e encaminhamento dos eventos, evitando a concentração de múltiplas responsabilidades em um único componente e desacoplando a ingestão do processamento posterior.

O Google Cloud Platform (GCP) foi utilizado como ambiente intermediário para receber, validar e processar os eventos. A escolha do GCP deveu-se à oferta de serviços gerenciados que permitem a implementação de integrações desacopladas, escaláveis e compatíveis com arquiteturas orientadas a eventos.

No GCP, uma função “serverless” foi implementada para atuar como ponto de entrada dos webhooks da Shopify. A autenticidade das requisições foi validada por meio da verificação do cabeçalho X-Shopify-Hmac-Sha256, utilizando a chave secreta do aplicativo criado na Shopify, assegurando a integridade e a origem legítima das mensagens.

Após a validação, os dados contidos no “payload” do webhook foram organizados em uma estrutura padronizada, permitindo a extração de campos essenciais como o identificador do “checkout”, o endereço de e-mail do cliente e o momento de criação do carrinho, conforme a necessidade de consistência apontada por Brambilla (2009).

Os eventos validados e organizados foram encaminhados para uma camada de mensageria baseada em Apache Kafka, tecnologia adotada como padrão corporativo para comunicação assíncrona. O cluster Apache Kafka já estava provisionado pela equipe de infraestrutura da empresa, com múltiplos “brokers” distribuídos.

A criação do tópico “checkout-events” no Apache Kafka foi realizada por meio das ferramentas administrativas da plataforma, onde se definiram parâmetros técnicos como número de partições, fator de replicação e política de retenção das mensagens, em conformidade com os princípios de arquitetura orientada a eventos descritos por De (2022).

A publicação dos eventos no Apache Kafka foi executada pela mesma Cloud Function responsável por receber os webhooks da Shopify, que atuou como produtor. Essa função estabeleceu conexão com o cluster Apache Kafka corporativo e enviou as mensagens para o tópico correspondente de forma assíncrona.

Os eventos publicados no Apache Kafka foram consumidos por uma Cloud Function dedicada à persistência dos dados no BigQuery. Esse processo de consumo ocorreu por meio de uma lógica de leitura contínua, onde cada mensagem foi desserializada, validada e inserida nas tabelas do BigQuery.

Após a gravação bem-sucedida no BigQuery, o consumidor registrou o avanço do “offset” no Apache Kafka, garantindo que os eventos não fossem perdidos e pudessem ser reprocessados em caso de falhas ou indisponibilidade do BigQuery.

No BigQuery, os dados foram mantidos em tabelas estruturadas, criadas para armazenar informações relacionadas a “checkouts” e carrinhos em aberto. A identificação de carrinhos abandonados foi realizada por meio de consultas SQL, aplicando um critério temporal de uma hora sem finalização de compra, conforme discussões de Silva (2021).

Paralelamente à análise temporal, foram realizadas validações de consentimento dos clientes para o recebimento de comunicações de marketing. Essa verificação ocorreu via SQL no BigQuery, considerando o campo `marketing_consent` da plataforma de e-commerce, assegurando que apenas registros com consentimento válido fossem elegíveis, em conformidade com o Regulamento Geral de Proteção de Dados (RGPD).

Concluídas as etapas de validação, classificação e filtragem no GCP, as informações aptas foram disponibilizadas ao Salesforce Marketing Cloud. Essa integração foi realizada por meio das APIs REST do Salesforce Marketing Cloud, utilizando o conjunto de serviços “Upsert Rows” para manipulação de dados em “Data Extensions” (Salesforce Inc., 2025).

No Salesforce Marketing Cloud, criou-se uma “Data Extension” no módulo “Contact Builder” para armazenar eventos de carrinho abandonado. Essa estrutura foi definida com campos como “Subscriber Key”, identificador do carrinho da Shopify, e-mail do cliente, data de criação do “checkout”, data de classificação do abandono e valor estimado da compra.

A ativação das jornadas automatizadas de comunicação foi configurada no módulo “Journey Builder” do Salesforce Marketing Cloud. A “Data Extension” de carrinhos abandonados foi definida como “Entry Source”, fazendo com que cada novo evento validado iniciasse automaticamente o fluxo.

A lógica da jornada incluiu um período de espera de uma hora após a identificação do abandono, seguido pela verificação de conversão do carrinho. Em caso negativo, um e-mail de lembrete era enviado. Na ausência de conversão após o primeiro e-mail, estabeleceu-se um novo intervalo de espera de vinte e quatro horas antes do envio de uma segunda comunicação, buscando equilibrar frequência e relevância das mensagens (Kotler e Keller, 2016).

A pesquisa foi conduzida em um ambiente corporativo real, o que impôs algumas limitações metodológicas. O acesso ao código interno das integrações via API da Shopify e Salesforce Marketing Cloud foi restrito, e a análise da arquitetura se baseou no comportamento funcional observado nas plataformas.

O funcionamento interno do cluster Apache Kafka, incluindo configurações de “brokers” e logs, não foi diretamente acessível. A compreensão do papel do Kafka no fluxo de dados ocorreu por inferência, a partir da observação dos dados no ambiente analítico e do comportamento do fluxo de integração (Davenport, 1993; Beyer et al., 2016; Raptis e Passarella, 2023).

Adicionalmente, os dados apresentados foram parcialmente anonimizados para preservar a confidencialidade da organização estudada, com valores absolutos de métricas ajustados, mas mantendo a proporcionalidade (Forsgren, Humble e Kim, 2018). Não foi possível acessar os custos completos de infraestrutura tecnológica, limitando a análise financeira à receita recuperada versus o custo da plataforma de CRM (Parker, Benson e Trainor, 1988; Bannister e Remenyi, 2000).

3. Resultados e Discussão

A presente pesquisa investigou a implementação de uma arquitetura de integração de dados para otimização financeira e operacional em um contexto de e-commerce, com foco na recuperação de carrinhos abandonados. Os resultados demonstraram uma transformação significativa no cenário operacional, na eficiência do uso de recursos humanos e, principalmente, nos indicadores financeiros relacionados à recuperação de receita. A abordagem adotada, baseada em APIs, mensageria distribuída com Apache Kafka e processamento em nuvem no Google Cloud Platform (GCP), permitiu converter eventos operacionais em ações automatizadas de relacionamento com o cliente, alinhando-se aos princípios de Customer Relationship Management (CRM) e conformidade com o Regulamento Geral de Proteção de Dados (RGPD).

Cenário operacional antes e depois da integração

Antes da implementação da arquitetura de integração, o processo de identificação e recuperação de carrinhos abandonados era executado de forma inteiramente manual. A extração de dados era realizada diretamente no painel administrativo da Shopify, exigindo intervenção humana para consolidar as informações, verificar o consentimento do cliente para comunicações e configurar as campanhas no sistema de CRM. Esse fluxo operacional envolvia dois profissionais, um dedicado à extração e tratamento de dados e outro à configuração e ativação de campanhas no Salesforce Marketing Cloud. O tempo de ciclo operacional, desde o abandono do carrinho até o envio da comunicação, variava entre 24 e 48 horas, devido à necessidade de consolidação manual e à disponibilidade da equipe.

Este cenário pré-integração evidencia uma dependência significativa da intervenção humana, o que limitava a capacidade de resposta imediata ao comportamento do consumidor. A literatura de gestão de processos, como a de Davenport (1993), enfatiza que a redução do tempo de ciclo é um indicador crucial de melhoria organizacional, impactando diretamente a eficiência e a agilidade. Complementarmente, Hammer e Champy (1993) argumentam que a reengenharia de processos, com a incorporação de soluções tecnológicas, pode eliminar atrasos, reduzir retrabalho e simplificar fluxos, aumentando a produtividade e a autonomia operacional.

Após a implementação da arquitetura integrada, que envolveu Shopify, GCP, Apache Kafka e Salesforce Marketing Cloud, o fluxo passou a operar de forma totalmente automatizada e orientada a eventos. O tempo de ciclo foi drasticamente reduzido para uma hora, que corresponde ao período configurado na jornada automatizada para o disparo do primeiro e-mail após a identificação do abandono do carrinho. Além da redução do tempo de ciclo, o processo deixou de exigir execução manual recorrente, passando a demandar apenas monitoramento estratégico e ajustes pontuais, liberando os dois profissionais envolvidos para atividades de maior valor agregado.

Estudos sobre desempenho organizacional, como os de Forsgren, Humble e Kim (2018), reforçam a importância dessa transformação, indicando que organizações que reduzem o tempo entre evento e entrega apresentam melhores indicadores de desempenho. No contexto deste estudo, a redução do tempo de ciclo esteve diretamente associada ao aumento da taxa de recuperação de carrinhos, que passou de 0% nos meses anteriores à integração para 9% em novembro e 10% em dezembro. Essa correlação demonstra uma relação direta entre agilidade operacional e resultado financeiro, conforme também destacado por Kotler e Keller (2016) sobre a influência do momento da comunicação na probabilidade de conversão.

A comparação entre os dois cenários revela uma transformação estrutural no processo, caracterizada pela redução do tempo de ciclo, diminuição do esforço operacional humano, aumento da taxa de recuperação e maior padronização e previsibilidade do fluxo de trabalho. A arquitetura implementada permitiu que a empresa reagisse de forma mais ágil aos eventos de abandono de carrinho, transformando uma perda potencial em receita efetiva. Essa mudança reforça a ideia de que a tecnologia, quando bem aplicada, pode ser um diferencial competitivo, otimizando não apenas processos, mas também resultados financeiros.

Análise do consumo de recursos operacionais

Além da significativa redução do tempo de ciclo, a pesquisa permitiu mensurar a diminuição do consumo de recursos humanos dedicados ao processo de recuperação de carrinhos abandonados. No cenário anterior à integração, o fluxo exigia a atuação de dois profissionais, cada um dedicando em média uma hora diária, totalizando aproximadamente 44 horas mensais alocadas para atividades operacionais como extração de dados, consolidação e ativação das comunicações. Essa alocação de tempo representava um custo operacional considerável e uma dependência de recursos humanos para tarefas repetitivas.

Após a implementação da arquitetura automatizada, o processo passou a operar de forma autônoma, necessitando apenas de monitoramento estratégico e ajustes pontuais. A operacionalização manual foi reduzida para cerca de quatro horas mensais, concentrando-se agora em atividades de acompanhamento de performance e eventuais refinamentos na jornada automatizada. Essa redução de 44 para 4 horas mensais representa uma diminuição superior a 90% no consumo de horas humanas dedicadas ao fluxo, evidenciando um ganho substancial de eficiência organizacional e uma melhor alocação de recursos.

Sob a perspectiva da gestão de processos, Davenport (1993) argumenta que a aplicação estruturada de tecnologias de informação permite não apenas acelerar fluxos, mas também reduzir dependências operacionais e retrabalho. Da mesma forma, Hammer e Champy (1993) defendem que a reengenharia apoiada em tecnologia possibilita eliminar atividades intermediárias e simplificar estruturas, resultando em maior produtividade e melhor alocação de recursos estratégicos. Portanto, além do impacto financeiro direto na recuperação de receita, a arquitetura implementada gerou um benefício indireto relevante ao liberar capacidade operacional da equipe, permitindo o redirecionamento de esforços para atividades analíticas e estratégicas de maior valor agregado.

Caracterização inicial dos dados de carrinhos abandonados

Os resultados desta pesquisa foram fundamentados em dados coletados diretamente na plataforma Shopify, por meio de consultas manuais realizadas no painel administrativo da loja virtual. Por questões de segurança e confidencialidade da empresa estudada, os dados descritos foram parcialmente modificados, mantendo, contudo, a proporcionalidade original entre os indicadores e o comportamento dos dados observados. Essa abordagem garante a integridade das informações da organização, sem comprometer a coerência analítica e a validade acadêmica dos resultados apresentados, alinhando-se a práticas comuns em pesquisas com dados sensíveis, conforme Forsgren, Humble e Kim (2018).

Construção da linha do tempo analítica

A linha do tempo analítica da pesquisa abrangeu o período de setembro de 2025 a fevereiro de 2026, um intervalo selecionado estrategicamente para observar diferentes momentos do ciclo comercial do varejo digital em Portugal e comparar o impacto da integração de dados e das jornadas automatizadas de recuperação de carrinho. O mês de setembro de 2025 serviu como período de referência, sem grandes campanhas promocionais e com um comportamento de compra regular. Nesse mês, foram identificados aproximadamente 150 carrinhos abandonados por dia, totalizando cerca de 4.500 carrinhos no período, sem qualquer recuperação, resultando em uma perda potencial de receita estimada em €270.000,00, conforme discutido por Brambilla (2009) sobre a exploração estratégica de dados.

Em outubro de 2025, observou-se um aumento moderado no tráfego e na criação de carrinhos, impulsionado por campanhas de antecipação promocional, resultando em um crescimento de aproximadamente 10% no volume de carrinhos abandonados em relação a setembro, totalizando cerca de 4.950 carrinhos. Embora a implementação técnica da arquitetura de integração via APIs tenha sido iniciada, as jornadas automatizadas de recuperação ainda não estavam plenamente ativas. Assim, o impacto financeiro potencial não capturado se manteve elevado, estimado em €297.000,00, reforçando a necessidade de ativação das estratégias de CRM.

Novembro de 2025 foi um mês de grande relevância devido à Black Friday, que historicamente provoca um aumento expressivo no tráfego e no volume de carrinhos abandonados. A análise considerou um crescimento aproximado de 30% no volume de carrinhos abandonados em relação a outubro, totalizando cerca de 6.435 carrinhos. Este mês marcou o início da ativação efetiva das jornadas automatizadas de recuperação, e com base em benchmarks de mercado e práticas de Kotler e Keller (2016), foi considerada uma taxa média de recuperação de 9%. Aproximadamente 579 carrinhos foram recuperados, gerando uma receita estimada de €34.740,00, evidenciando o impacto financeiro inicial da integração via APIs.

Em dezembro de 2025, impulsionado pelas campanhas de Natal, o volume de carrinhos abandonados reduziu para aproximadamente 5.900, refletindo o comportamento sazonal do varejo digital. No entanto, o ticket médio por carrinho abandonado aumentou para €75,00, devido à comercialização de produtos sazonais de maior valor agregado. Com a maior maturidade operacional da jornada, a taxa de recuperação alcançou 10%, resultando na recuperação de 590 carrinhos e uma receita aproximada de €44.250,00. Esse resultado demonstra que, mesmo com menor volume, o aumento do ticket médio e a eficiência da jornada contribuíram para um impacto financeiro relevante.

O início de 2026, em janeiro, foi caracterizado por uma retração no consumo após o período natalício, resultando em uma redução aproximada de 15% no volume de carrinhos abandonados em relação a dezembro, totalizando cerca de 5.015 carrinhos. Mantendo o ticket médio estimado em €65,00 e considerando a estabilidade operacional da jornada automatizada, foi aplicada uma taxa de recuperação de 11%. Dessa forma, aproximadamente 552 carrinhos foram recuperados, gerando uma receita estimada de €35.880,00, demonstrando a continuidade da eficiência da estratégia.

Por fim, em fevereiro de 2026, impulsionado por campanhas associadas ao Dia dos Namorados e uma retomada gradual do consumo, observou-se um aumento aproximado de 8% no volume de carrinhos abandonados em relação a janeiro, totalizando cerca de 5.416 carrinhos. Com o ticket médio estimado em €70,00 e a taxa de recuperação ampliada para 12%, aproximadamente 650 carrinhos foram recuperados, resultando em uma receita estimada de €45.500,00. Essa evolução progressiva das taxas de recuperação e da receita demonstra a curva de aprendizado e otimização contínua da estratégia automatizada ao longo do tempo.

Análise comparativa do volume de carrinhos abandonados e recuperados

A evolução mensal da quantidade de carrinhos abandonados e dos carrinhos efetivamente recuperados, no período entre setembro de 2025 e fevereiro de 2026, revela um contraste marcante. Nos meses de setembro e outubro de 2025, não houve qualquer recuperação associada a estratégias de comunicação automatizadas, pois a integração de dados via APIs e as jornadas de CRM ainda não estavam ativas. Nesse período, a taxa de recuperação permaneceu em 0%, mesmo diante de volumes mensais de 4.500 e 4.950 carrinhos abandonados, respectivamente, representando uma perda total de oportunidade de receita.

A partir de novembro de 2025, com a ativação da integração entre Shopify, GCP e Salesforce Marketing Cloud, observou-se uma alteração estrutural no comportamento dos dados. Mesmo com o aumento do volume de carrinhos abandonados para 6.435 unidades em novembro, impulsionado pela Black Friday, foi constatada pela primeira vez a recuperação efetiva de carrinhos, com uma taxa de 9%, totalizando 579 carrinhos recuperados no mês. Em dezembro de 2025, apesar da redução no volume de carrinhos abandonados para 5.900 unidades, a taxa de recuperação aumentou para 10%, resultando em 590 carrinhos recuperados, indicando estabilidade e ganho de eficiência operacional.

Nos meses seguintes, janeiro e fevereiro de 2026, a consolidação da maturidade do processo foi evidente. Em janeiro, com 5.015 carrinhos abandonados, a taxa de recuperação atingiu 11%, totalizando 552 carrinhos recuperados. Em fevereiro, com 5.416 carrinhos abandonados, a taxa evoluiu para 12%, resultando em 650 carrinhos recuperados. Essa progressão percentual demonstra uma curva de aprendizado e otimização contínua da estratégia automatizada, que se adaptou às variações sazonais e ao comportamento do consumidor, maximizando a efetividade das comunicações de marketing.

A taxa média consolidada de recuperação no período pós-integração, de novembro de 2025 a fevereiro de 2026, foi de aproximadamente 10,6%, contrastando drasticamente com os 0% observados no cenário anterior. Esse comportamento reforça o papel crucial da integração de dados via APIs como habilitadora da conversão de eventos operacionais em ações de recuperação financeira. Essa capacidade de transformar dados brutos em inteligência acionável é um pilar para estratégias de CRM eficazes, conforme discutido por Brambilla (2009) e Kotler e Keller (2016), que enfatizam a importância da personalização e do timing na comunicação com o cliente.

Análise da receita potencial e da receita efetivamente recuperada

A análise da receita potencial associada aos carrinhos abandonados e da receita efetivamente recuperada por meio das jornadas automatizadas revela o impacto financeiro da arquitetura. Nos meses de setembro e outubro de 2025, a totalidade da receita potencial não foi capturada, resultando em perdas estimadas de €270.000,00 e €297.000,00, respectivamente. Esses valores representam perdas de oportunidade diretas, consequência da inexistência de uma estratégia estruturada de recuperação de carrinhos baseada em dados, o que sublinha a ineficiência de processos manuais e a falta de aproveitamento de dados valiosos.

A partir de novembro de 2025, com a ativação da jornada automatizada, observou-se uma mudança significativa no cenário financeiro. A recuperação de 9% dos carrinhos abandonados em novembro gerou aproximadamente €34.740,00 em receita. Em dezembro, mesmo com um volume inferior de carrinhos abandonados, a taxa de recuperação de 10% resultou em uma receita de aproximadamente €44.250,00. Em janeiro de 2026, a receita recuperada foi de €35.880,00, enquanto em fevereiro de 2026 atingiu €45.500,00, acompanhando a evolução da taxa de recuperação para 12%. Considerando o período completo pós-integração, a receita total recuperada entre novembro de 2025 e fevereiro de 2026 foi de €160.370,00.

Mesmo em meses com menor volume total de carrinhos abandonados, foi possível observar um aumento progressivo da eficiência financeira, medida pela proporção entre receita recuperada e receita potencial. Esse comportamento evidencia que a maturidade operacional da arquitetura e o refinamento contínuo da jornada automatizada impactaram diretamente no desempenho econômico do fluxo. A capacidade de converter eventos operacionais em receita demonstra a eficácia da integração de dados e da automação de marketing como ferramentas estratégicas para a otimização financeira, transformando perdas potenciais em ganhos reais.

Análise comparativa entre valor recuperado e custo da plataforma

Durante a análise financeira da solução, foi possível obter acesso a informações de custo relacionadas à plataforma de CRM utilizada pela organização. O custo anual aproximado dessa plataforma, incluindo os serviços de mensageria associados à ativação de comunicações com clientes (e-mails, SMS, etc.), é de aproximadamente €350.000,00. No entanto, não foi possível obter acesso aos custos completos das demais plataformas envolvidas na arquitetura de integração, como a infraestrutura de processamento no GCP, a operação da plataforma de e-commerce Shopify e a camada de mensageria baseada em Apache Kafka.

Considerando essa limitação de dados, a análise financeira se concentrou na comparação entre a receita recuperada pela jornada automatizada de carrinho abandonado e o custo mensal aproximado da plataforma de CRM. Essa abordagem é comum em estudos de avaliação de investimentos em tecnologia da informação quando a infraestrutura é compartilhada entre múltiplas aplicações e não é possível isolar completamente os custos de cada funcionalidade, conforme discutido por Parker, Benson e Trainor (1988) e Bannister e Remenyi (2000). Nesses casos, indicadores de contribuição financeira permitem observar o valor incremental gerado por soluções específicas sobre uma infraestrutura já existente.

O investimento mensal estimado na plataforma de CRM corresponde a aproximadamente €29.167,00. Durante o período analisado entre novembro de 2025 e fevereiro de 2026, a jornada automatizada de recuperação de carrinho permitiu recuperar aproximadamente €160.370,00 em receita, o que corresponde a uma média mensal aproximada de €40.092,00 em receita recuperada. A comparação entre esses valores demonstra que a receita média mensal recuperada pela jornada automatizada representa aproximadamente 137% do custo mensal da plataforma de CRM. Esse resultado indica que, mesmo analisando apenas um único fluxo automatizado de CRM, o valor financeiro recuperado mensalmente é superior ao custo mensal da plataforma utilizada para ativação das comunicações, reforçando o valor da arquitetura de integração.

Limitações metodológicas da pesquisa

A realização desta pesquisa em um ambiente corporativo real impôs restrições técnicas e organizacionais que influenciaram o desenho do estudo. A primeira limitação refere-se ao acesso ao código e às configurações internas das integrações via APIs utilizadas pela organização. Embora tenha sido possível acessar o painel administrativo da Shopify para visualizar dados de checkouts, clientes e pedidos, não houve acesso ao código interno das integrações via API nem a permissão para criar ou editar as APIs utilizadas, o que impediu uma análise direta da implementação técnica dessas integrações.

No Salesforce Marketing Cloud, o acesso operacional foi amplo dentro das atividades da área de CRM, permitindo a criação e manipulação de Data Extensions, a construção de jornadas no Journey Builder, a configuração de filtros e segmentações de dados, e o acesso a relatórios de desempenho. Contudo, não foi possível acessar o código das APIs responsáveis pela integração entre os sistemas, limitando a análise da arquitetura ao comportamento funcional observado nas plataformas. Essa restrição direcionou a pesquisa para uma avaliação mais focada nos resultados e na funcionalidade do sistema integrado, em vez de uma análise aprofundada do código-fonte das APIs.

No Google Cloud Platform (GCP), foi possível consultar e manipular dados armazenados no BigQuery por meio de consultas SQL, permitindo a criação de tabelas, filtragens e estruturação de consultas analíticas para preparar bases de dados. A partir dessas consultas, identificaram-se eventos de checkout, analisaram-se dados de carrinhos abandonados e mensuraram-se indicadores financeiros como receita potencial e receita recuperada. No entanto, a camada de mensageria baseada em Apache Kafka apresentou uma limitação relevante, pois não foi possível acessar diretamente o cluster, suas configurações internas, logs de processamento ou políticas de retenção de mensagens.

A compreensão do papel do Apache Kafka no fluxo de dados ocorreu de forma indireta, a partir da observação dos dados que chegavam ao ambiente analítico e do comportamento do fluxo de integração entre os sistemas. Esse procedimento exigiu uma reconstrução inferencial da arquitetura, onde o funcionamento da camada de mensageria foi deduzido com base nos efeitos observáveis do sistema e nos dados disponíveis após o processamento. A utilização de inferências baseadas em resultados é reconhecida na literatura de análise de processos organizacionais e de sistemas complexos, como apontado por Davenport (1993), que valida a compreensão de processos a partir da análise dos outputs e fluxos observáveis, mesmo com acesso limitado a etapas internas.

Em ambientes corporativos, restrições de acesso à infraestrutura são práticas comuns, motivadas por razões de segurança e governança de dados. Beyer et al. (2016) destacam que ambientes de produção frequentemente operam sob rígidos controles de acesso, limitando a exposição de logs e configurações internas. Nesses cenários, a análise do comportamento do sistema por meio de métricas observáveis e fluxos de dados torna-se uma prática recorrente para compreender o funcionamento de arquiteturas distribuídas. Raptis e Passarella (2023) também indicam que arquiteturas orientadas a eventos, como as que utilizam Apache Kafka, são frequentemente analisadas a partir do comportamento dos dados que transitam entre produtores e consumidores, validando a abordagem inferencial adotada.

Outra limitação importante foi a anonimização parcial dos dados apresentados. Por razões de confidencialidade e proteção da organização estudada, valores absolutos de determinadas métricas foram ajustados, mantendo, contudo, a proporcionalidade entre os indicadores e o comportamento dos dados observados. Essa prática é comum em pesquisas realizadas em ambientes empresariais que envolvem informações sensíveis, conforme Forsgren, Humble e Kim (2018), que adotam abordagens semelhantes para preservar a confidencialidade das organizações participantes sem comprometer a validade analítica dos resultados. Essa abordagem permite que a pesquisa mantenha sua relevância acadêmica e prática, mesmo com as adaptações necessárias.

Por fim, embora tenha sido possível analisar dados financeiros relacionados à receita potencial e à receita recuperada por meio de consultas na Shopify e no BigQuery, não houve acesso aos custos completos de infraestrutura tecnológica, contratos de licenciamento das plataformas ou registros internos detalhados de custos operacionais da organização. Dessa forma, não foi possível realizar o cálculo integral do Retorno sobre Investimento (ROI) da arquitetura implementada, considerando todos os custos envolvidos. A análise se concentrou na mensuração de indicadores financeiros e operacionais observáveis, como receita recuperada, taxa de recuperação de carrinhos e redução de esforço operacional humano, fornecendo uma visão clara dos benefícios diretos da solução.

De forma consolidada, os resultados demonstram que a integração de dados via API e a ativação de jornadas automatizadas de CRM contribuíram diretamente para a transformação de dados de abandono em receita efetiva. A comparação entre os meses anteriores e posteriores à implementação da arquitetura evidencia uma melhoria concreta nos indicadores financeiros, validando a hipótese central deste trabalho de que a integração de dados é um fator determinante para a otimização financeira no comércio eletrônico. A arquitetura proposta mostrou-se tecnicamente viável, alinhada às exigências regulatórias e capaz de transformar eventos técnicos do e-commerce em ações automatizadas de relacionamento com o cliente, contribuindo para a otimização financeira da operação e a conformidade com o RGPD.

4. Conclusão

Este estudo analisou uma arquitetura de integração de dados para garantir qualidade, conformidade com o Regulamento Geral de Proteção de Dados (RGPD) e suporte à criação de comunicações personalizadas e jornadas automatizadas, com foco na recuperação de carrinhos abandonados. Verificou-se uma redução significativa do tempo de resposta operacional, que passou de 24-48 horas para uma hora, e a taxa de recuperação de carrinhos abandonados aumentou de 0% para uma média consolidada de 10,6% no período pós-integração. Observou-se também a geração de receita incremental de €160.370,00 entre novembro de 2025 e fevereiro de 2026, e uma diminuição superior a 90% no consumo de horas humanas dedicadas ao processo. A principal contribuição do estudo reside na otimização financeira e na eficiência operacional, aliadas à conformidade regulatória, transformando eventos técnicos do e-commerce em ações automatizadas de relacionamento com o cliente.

Contudo, a pesquisa enfrentou limitações decorrentes do contexto corporativo, como o acesso restrito ao código interno das integrações via Application Programming Interfaces (APIs) e a uma visibilidade indireta do funcionamento do Apache Kafka, exigindo uma reconstrução inferencial da arquitetura. A anonimização parcial dos dados e a impossibilidade de calcular o Retorno sobre Investimento (ROI) completo da arquitetura, devido à falta de acesso aos custos totais das plataformas, também constituíram restrições. Para estudos futuros, sugere-se ampliar a análise para períodos mais longos, permitindo avaliar a evolução dos resultados ao longo do tempo e incorporar indicadores financeiros mais abrangentes, incluindo o cálculo do ROI total. Recomenda-se ainda a realização de testes A/B nas jornadas automatizadas para analisar o impacto de diferentes estratégias de comunicação na taxa de conversão, além da evolução da arquitetura para suportar novos casos de uso em tempo real, como personalização dinâmica e recomendações de produtos, visando uma mensuração mais precisa dos ganhos econômicos.

Referências Bibliográficas

Bannister, F.; Remenyi, D. 2000. Acts of faith: instinct, value and IT investment decisions. Journal of Information Technology 15(3): 231-241.

Beyer, B.; Jones, C.; Petoff, J.; Murphy, N.R. 2016. Site Reliability Engineering: How Google Runs Production Systems. O’Reilly Media, Sebastopol, CA, USA. Disponível em: https://books.google.com.br/books?id=81UrjwEACAAJ. Acesso em: 18 mar. 2026.

Brambilla, F.R. 2009. Dados de clientes no customer relationship management (CRM): estudo de casos múltiplos no desenvolvimento de software. Revista Capital Científico 17(2): 85-98. Disponível em: https://revistas.unicentro.br/index.php/capitalcientifico/article/view/736/1284. Acesso em: 12 out. 2025.

Chang, S. 2023. Gestão de plataformas e APIs: estratégia e discovery para product managers não técnicos. Alta Books, Rio de Janeiro, RJ, Brasil.

Davenport, T.H. 1993. Process Innovation: Reengineering Work Through Information Technology. Harvard Business School Press, Boston, MA, USA.

De, B. 2022. API Management: An Architect’s Guide to Developing and Managing APIs for Your Organization. 2ed. Apress, New York, NY, USA.

Forsgren, N.; Humble, J.; Kim, G. 2018. Accelerate: The Science of Lean Software and DevOps. IT Revolution Press, Portland, OR, USA.

Hammer, M.; Champy, J. 1993. Reengineering the Corporation: A Manifesto for Business Revolution. Harper Business, New York, NY, USA.

Kotler, P.; Keller, K.L. 2016. Marketing Management. 15ed. Pearson Education, Harlow, UK.

Parker, M.M.; Benson, R.J.; Trainor, H.E. 1988. Information Economics: Linking Business Performance to Information Technology. Prentice Hall, Upper Saddle River, NJ, USA.

Raptis, T.; Passarella, A. 2023. A survey on networked data streaming with Apache Kafka. IEEE Communications Surveys & Tutorials. Disponível em: https://www.researchgate.net/publication/373025500_A_Survey_on_Networked_Data_Streaming_with_Apache_Kafka. Acesso em: 20 jan. 2026.

Salesforce Inc. 2025. Marketing Cloud Engagement APIs and Programmatic Languages. Disponível em: https://developer.salesforce.com/docs/marketing/marketing-cloud/overview. Acesso em: 12 out. 2025.

Silva, P.M.C. 2021. Análise do processo de checkout e carrinhos abandonados. Dissertação de Mestrado em Marketing Digital. Universidade Nova de Lisboa, Lisboa, Portugal. Disponível em: https://www.proquest.com/openview/754804da767dd8a069fd53ad074e0393/1?pq-origsite=gscholar&cbl=2026366&diss=y. Acesso em: 12 out. 2025.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy