Artigo

10 de novembro de 2026

Modelo de apoio ao processo de análise financeira de migração on-premises para cloud

Cássio Oliveira de Jesus; Everton Gomede

DOI: 10.22167/2675-6528-202604377

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A computação em nuvem consolidou-se como alternativa estratégica para redução de custos e aumento da flexibilidade na gestão de infraestrutura de TI. Contudo, a migração de ambientes on-premises para a nuvem apresenta desafios, especialmente para organizações com recursos limitados. O estudo teve como objetivo propor um modelo de apoio à análise de viabilidade da migração para a nuvem, fundamentado em dados reais de utilização e custos operacionais. Adotou-se uma metodologia de estudo de caso, na qual se coletaram dados de um ambiente real por meio da ferramenta AWS Migration Evaluator, complementados por informações obtidas junto a um gestor de TI. A partir desses dados, estimaram-se os custos do ambiente on-premises e simularam-se cenários equivalentes em nuvem, possibilitando o cálculo dos indicadores financeiros TCO, ROI e Payback. Os resultados evidenciaram que a viabilidade econômica da migração dependeu das premissas adotadas, como região, modelo de contratação e perfil de utilização dos recursos. A aplicação do modelo revelou uma robusta viabilidade econômica, com um Retorno sobre o Investimento (ROI) de 451% e um período de payback estimado em 6,5 meses, impulsionados pela redução de 45% em vCPU e 64% em memória RAM, decorrente da correção do superdimensionamento. Concluiu-se que o modelo proposto contribuiu como instrumento de apoio à decisão, ao fornecer uma abordagem estruturada e baseada em dados reais, promovendo previsibilidade e racionalidade econômica para processos de migração para a nuvem em empresas de médio porte.

Palavras-chave: Computação em nuvem; Migração para nuvem; Payback; ROI; TCO.

1. Introdução

A computação em nuvem tem se consolidado como uma alternativa estratégica para a gestão de infraestrutura de tecnologia da informação. Essa tecnologia passou por uma transformação significativa, tornando-se um dos principais pilares da economia digital contemporânea. A nuvem oferece recursos de tecnologia de forma elástica via internet, permitindo que empresas nasçam e escalem globalmente em tempo recorde. Negócios disruptivos tornaram-se viáveis nesse contexto, pois a nuvem elimina a necessidade de investimentos elevados em infraestrutura própria antes mesmo do início das operações, permitindo maior foco na inovação dos serviços (Thomas Erl et al., 2013).

A capacidade de escalabilidade e elasticidade da nuvem tem sido amplamente associada à inovação e eficiência operacional (Marston et al., 2011). Atualmente, a computação em nuvem sustenta tecnologias emergentes que demandam alto poder computacional, como inteligência artificial e big data, ampliando o acesso a recursos antes restritos a grandes organizações. Os serviços em nuvem são disponibilizados por meio dos modelos IaaS, PaaS e SaaS, que representam diferentes níveis de abstração na provisão de serviços (Mell; Grance, 2011).

A decisão entre manter ativos físicos ou utilizar serviços de terceiros implica mudanças relevantes na estrutura de custos e na gestão do capital. A computação em nuvem possibilita a substituição de investimentos em ativos fixos (CapEx) por despesas operacionais variáveis (OpEx), promovendo maior flexibilidade financeira (Weinman, 2012). No entanto, essa transição requer uma análise detalhada do Custo Total de Propriedade (TCO), que considera não apenas os custos diretos dos serviços, mas também despesas com pessoal, licenciamento, segurança e suporte (Veras, 2022).

De acordo com a FinOps Foundation (2023), a adoção de cloud computing tende a ser financeiramente vantajosa em cenários com variabilidade de consumo, permitindo maior eficiência no uso de recursos. Contudo, estudos recentes indicam que a gestão de custos em ambientes de computação em nuvem ainda representa um desafio relevante, especialmente no que se refere à previsibilidade de consumo e ao apoio à tomada de decisão (FinOps Foundation, 2023; Mazzucco; Bacic, 2022). A decisão de migração deve ser orientada por análises financeiras estruturadas, garantindo geração de valor para a organização (Linthicum, 2020).

Todavia, a literatura e as ferramentas de mercado focam predominantemente em grandes corporações ou em cenários de novas implementações, criando uma lacuna metodológica para empresas de médio porte com infraestruturas legadas (Mazzucco; Bacic, 2022). Modelos genéricos de TCO frequentemente falham em capturar as nuances operacionais e os custos ocultos de ambientes reais, resultando em projeções imprecisas que dificultam a aprovação de projetos por falhas de dimensionamento inicial (Linthicum, 2020). A lacuna de pesquisa reside, portanto, na ausência de um pipeline metodológico que conecte o discovery automatizado a uma análise financeira conservadora, adaptada à realidade de empresas com restrições orçamentárias e infraestruturas complexas.

Este trabalho contribui especificamente ao oferecer um roteiro estruturado que traduz métricas técnicas brutas em indicadores de viabilidade econômica de fácil interpretação para a alta gestão, preenchendo a lacuna entre a métrica técnica e o indicador financeiro (Storbbakken, 2023). Diante desse contexto, este estudo tem como objetivo propor um modelo de apoio à decisão financeira, traduzindo o inventário atual de máquinas e recursos em dados estruturados que possam ser analisados e convertidos em indicadores financeiros utilizados na análise de migração de ambientes on-premises para cloud computing.

2. Material e Métodos

Este estudo caracterizou-se como uma pesquisa aplicada, de abordagem qualiquantitativa e objetivo descritivo, configurando-se como um estudo de caso. A natureza empírica do trabalho, orientada a dados “data-driven” e metodológica, justificou a abordagem qualiquantitativa pela multidimensionalidade do Custo Total de Propriedade (TCO). A vertente quantitativa foi suprida pelo levantamento automatizado de dados, enquanto a qualitativa focou na captura de despesas operacionais não evidentes.

A pesquisa foi aplicada a um único estudo de caso, em uma organização do setor industrial de alimentos e bebidas, localizada no estado do Paraná. A empresa possui aproximadamente 700 colaboradores diretos e 200 indiretos, operando com um ambiente de tecnologia da informação de média complexidade. A infraestrutura local inclui um data center próprio com sistemas de energia, refrigeração e controle de acesso, onde 95% das instâncias estão em infraestrutura hiperconvergente (HCI) e 5% em servidores físicos. O ambiente de ERP foi excluído do escopo do inventário analisado.

O percurso metodológico seguiu um fluxo estruturado em quatro etapas principais. Primeiramente, realizou-se a coleta de dados do ambiente on-premises. Em seguida, definiu-se o cenário alvo em computação em nuvem. A terceira etapa consistiu no tratamento dos dados coletados. Por fim, procedeu-se ao cálculo dos indicadores financeiros para a análise de viabilidade da migração.

A etapa de coleta de dados foi executada por meio de duas abordagens complementares. A primeira consistiu no levantamento automatizado do inventário de máquinas virtuais, utilizando a ferramenta “AWS Migration Evaluator”. Esta solução permitiu a extração de métricas precisas de utilização de CPU, memória e armazenamento. O monitoramento estendeu-se por um período de 39 dias, alinhado às diretrizes da Amazon Web Services para capturar variações de carga e assegurar a representatividade estatística para o dimensionamento.

A segunda abordagem de coleta de dados envolveu a aplicação de um formulário semiaberto, com dezoito questões, destinado ao gestor de TI da organização. Este instrumento foi essencial para levantar custos operacionais não capturados pela automação, como contratos de suporte, custos de oportunidade e especificidades da infraestrutura física local, incluindo nobreak, gerador e refrigeração. A integração desses dados permitiu contabilizar despesas “invisíveis” que compõem o TCO real do ambiente local.

Na etapa de definição do cenário em nuvem, utilizou-se a estratégia de “right-sizing”, priorizando a otimização de custos em vez da replicação direta da infraestrutura existente. Para isso, consideraram-se métricas de utilização de CPU e memória com base no percentil 95 (P95), buscando um equilíbrio entre desempenho e eficiência. A alocação das instâncias foi definida para a região de “North Virginia” (us-east-1), historicamente a de menor custo operacional, e o modelo de cobrança adotado foi o “on-demand” para flexibilidade.

A definição das premissas para o armazenamento de dados (“storage”) baseou-se no volume total de dados consolidado pelo processo de “discovery”. O cálculo foi realizado pela multiplicação do volume em gigabytes pelo custo unitário mensal do armazenamento em bloco de uso geral, utilizando o tipo “Elastic Block Store” (EBS) gp3. Para os custos de rede (“network”), estimou-se um volume de saída mensal de dez terabytes, devido à indisponibilidade de métricas detalhadas no ambiente de origem.

O tratamento dos dados na planilha envolveu a aplicação da regra de “right-sizing” para redimensionamento de CPU e memória RAM do inventário on-premises. A memória requerida (Memreq) foi calculada pela multiplicação do percentual de pico de utilização de memória (Umem) pela memória atualmente alocada (Memalo) e por um fator de overhead de 1,2. Similarmente, a CPU requerida (CPUreq) foi obtida multiplicando-se o percentual de pico de utilização de CPU (Ucpu) pela CPU atualmente alocada (CPUalo) e pelo mesmo fator de overhead de 1,2.

Para o cálculo do custo mensal de armazenamento, a fórmula aplicada considerou o custo total mensal estimado (Ctotal) como o produto do volume total de armazenamento provisionado em gigabytes (Vtotal) pelo preço unitário mensal por gigabyte (Punitário). O custo mensal de tráfego de rede (Crede) foi calculado multiplicando-se o volume de dados transferidos por mês em gigabytes (Volumemensal) pelo custo por gigabyte transferido (Pre COGB).

Na etapa final, calcularam-se os indicadores financeiros TCO, Retorno sobre o Investimento (ROI) e Payback. O TCO do ambiente on-premises foi definido como a soma dos custos de aquisição (CAPEX) e das despesas operacionais (OPEX). O TCO em nuvem foi calculado somando-se os custos de computação (Ccomputer), armazenamento (Cstorage), transferência de dados (Crede) e custos residuais não absorvidos (Coutros).

O ROI foi calculado para mensurar a eficiência econômica da migração, considerando como “ganho” a economia líquida gerada pela redução do TCO anual (on-premises versus cloud), subtraindo-se o custo de implementação do projeto. O Payback, por sua vez, foi determinado dividindo-se o investimento inicial estimado pelo custo operacional do ambiente local pela economia mensal gerada pela migração, utilizando como referência o equivalente a um mês do TCO on-premises para o investimento inicial.

3. Resultados e Discussão

Os resultados da pesquisa permitiram a transposição dos dados operacionais do inventário de infraestrutura da organização estudada para indicadores financeiros robustos, como o Custo Total de Propriedade (TCO), o Retorno sobre o Investimento (ROI) e o Payback. Esta abordagem atendeu ao objetivo central do estudo, que era propor um modelo de apoio à análise de viabilidade da migração para a nuvem, fundamentado em dados reais de utilização e custos operacionais. A aplicação da estratégia de “right-sizing” foi fundamental para otimizar os recursos e garantir a eficiência econômica da transição.

A estratégia de “right-sizing” foi aplicada para dimensionar os recursos equivalentes em nuvem, identificando o pico de utilização de cada recurso e adicionando uma margem de segurança de 20%, representada pelo fator 1,2. Esta metodologia visou assegurar a integridade operacional mesmo em cenários de alta demanda, evitando o superdimensionamento comum em ambientes on-premises. O processo de “discovery” automatizado forneceu métricas precisas de uso de CPU, memória e armazenamento, que foram a base para esses cálculos de otimização.

Para ilustrar a aplicação do modelo, considerou-se o cálculo para uma instância padrão do inventário. Por exemplo, para uma vCPU com 24,88% de pico de utilização e 2 vCPUs alocadas, o cálculo resultou em 0,59 vCPU requerida. Similarmente, para a memória RAM, com 77,54% de pico de utilização e 2 GB alocados, o cálculo indicou 1,86 GB de RAM requerida. Estes valores otimizados foram então confrontados com o catálogo de instâncias do provedor, selecionando-se a opção que melhor atendesse à necessidade técnica real.

A seleção das instâncias no catálogo do provedor, conforme ilustrado na

, demonstrou como os requisitos otimizados de vCPU e memória são mapeados para as configurações disponíveis. No exemplo de 0,59 vCPU e 1,86 GB RAM, a instância t3.small, que oferece 2 vCPUs e 2 GB de RAM, foi selecionada, atendendo com folga aos requisitos calculados. Este processo de arredondamento para a instância imediatamente superior foi necessário devido às configurações padronizadas da AWS, garantindo o atendimento da demanda mesmo sem uma correspondência exata.

A equalização dos recursos com base nas instâncias da AWS, como detalhado na

Categoria

Dados coletados

Fontes

Inventário

Quantidade VMs

Migration Evaluator

Inventário

Núcleos de CPU (vCPU)

Migration Evaluator

Inventário

Memória (MB)

Migration Evaluator

Inventário

Armazenamento total (GB)

Migration Evaluator

Inventário

Sistema operacional

Migration Evaluator

Utilização

Uso de CPU (pico)

Migration Evaluator

Utilização

Uso de memória (pico)

Migration Evaluator

Utilização

Uso de CPU

Migration Evaluator

Utilização

Uso de memória

Migration Evaluator

Utilização

Tempo ativo (%)

Migration Evaluator

Utilização

Tempo em uso (%)

Migration Evaluator

, exemplifica a seleção de configurações específicas para servidores como o SRV01, SRV02 e SRV03. No caso do SRV02, que originalmente possuía 4 vCPUs e 10 GB de RAM, com picos de utilização de 20,22% para CPU e 77,54% para RAM, a instância m6i.xlarge foi escolhida, oferecendo 4 vCPUs e 16 GB de RAM. Esta escolha reflete a necessidade de selecionar a capacidade imediatamente superior quando não há um equivalente exato, impactando o custo final.

O catálogo das instâncias AWS utilizadas, apresentado na

Categoria

Dado coletado

Fonte

Infraestrutura

Aquisição de hardware

Formulário de custos

Infraestrutura

Manutenção de hardware

Formulário de custos

Infraestrutura

Infraestrutura de rede

Formulário de custos

Software

Licenças de software

Formulário de custos

Energia

Consumo de energia (kWh)

Formulário de custos

Energia

Sistema de refrigeração

Formulário de custos

Continuidade

Nobreak

Formulário de custos

Continuidade

Gerador

Formulário de custos

Segurança

Controle de acesso físico

Formulário de custos

Segurança

Sistema de combate a incêndio

Formulário de custos

Operação

Equipe operacional

Formulário de custos

Operação

Serviços terceirizados (BPO)

Formulário de custos

Infraestrutura

Espaço físico / data center

Formulário de custos

Dados

Solução de backup

Formulário de custos

, detalha as opções de instâncias com suas respectivas vCPUs, RAM (GB) e preço por hora em dólar. Instâncias como t3.small (2 vCPU, 2 GB RAM, $0.02/hora) e r6i.8xlarge (32 vCPU, 256 GB RAM, $2.02/hora) foram consideradas. A escolha da região de “North Virginia” (us-east-1) para alocação das instâncias foi estratégica, pois historicamente apresenta o menor custo operacional do provedor (AWS, 2024), sem que a latência de rede se configurasse como um fator crítico para as operações analisadas.

A eficiência técnica alcançada com a aplicação do modelo foi significativa, resultando em uma redução de 45% no uso de vCPU e 64% na memória RAM. Esta otimização é um reflexo direto da comparação entre os recursos provisionados estaticamente no ambiente hiperconvergente atual e o consumo real dinâmico coletado pelo AWS Migration Evaluator. O monitoramento revelou um alto índice de “overprovisioning” na infraestrutura local, onde os servidores mantinham picos de utilização muito abaixo da capacidade nominal alocada.

A redução de 45% no uso de vCPU é claramente demonstrada na

, onde o volume de vCPUs sem “right-sizing” era de 408, enquanto com “right-sizing” foi reduzido para 185. Da mesma forma, a redução de 64% no uso de memória RAM, conforme ilustrado na

, mostra uma diminuição de 1707 GB para 1102 GB. O “right-sizing” não comprometeu a performance, mas eliminou a ociosidade técnica, readequando as instâncias para famílias de nuvem que suportam a carga de trabalho real com uma margem de segurança de 20%.

Após o redimensionamento dos recursos e a seleção das instâncias no catálogo, foi estabelecida uma base de custos detalhada por instância, correlacionando as especificações técnicas aos respectivos valores de preço por hora. Para padronização monetária, utilizou-se a região de North Virginia (us-east-1) e uma taxa de câmbio de R$ 5,40 para conversão dos valores de dólar (USD) para real (BRL). Esta abordagem permitiu consolidar o custo individual por instância de forma precisa e comparável.

A

Servidor

vCPU Atual

RAM Atual (GB)

Uso Pico CPU

Uso Pico RAM

Tipo Instância (Cloud)

VCPU Ajustado

RAM Ajustado (GB)

SRV01

2

2

24,88%

72,93%

t3.small

2

2

SRV02

4

10

20.22%

77.54%

m6i.xlarge

4

16

SRV03

2

4

90%

80%

t3.medium

2

4

apresenta o custo por instância, detalhando o vCPU e a memória após o “right-sizing”, a instância selecionada, o preço por hora em dólar, e o custo mensal em dólar e em reais. Por exemplo, o servidor srv01, com 1 vCPU e 2 GB de memória otimizados, foi mapeado para uma instância t3.small, resultando em um custo mensal de $14,98 ou R$ 80,87. Já o srv69, com 8 vCPUs e 209 GB de memória otimizados, foi mapeado para uma r6i.8xlarge, com um custo mensal de $1.451,52 ou R$ 7.838,21.

Os dados levantados foram processados para proporcionar clareza sobre os custos de Capex e Opex da infraestrutura atual em comparação ao cenário em nuvem proposto. Os valores foram equalizados para um período de 12 meses, servindo como base para as projeções de ROI e Payback calculadas para um horizonte de 36 meses. Esta padronização temporal permitiu uma análise financeira consistente e uma comparação direta entre os dois modelos de infraestrutura.

O cálculo do Capex e Opex para os cenários on-premises e cloud, conforme detalhado na

Instância

vCPU

RAM (GB)

Preço/Hora (USD)

t3.small

2

2

0.02

t3.medium

2

4

0.04

t3.large

2

8

0.08

m6i.large

2

8

0.10

m6i.xlarge

4

16

0.19

m6i.2xlarge

8

32

0.38

r6i.2xlarge

8

64

0.50

r6i.4xlarge

16

128

1.01

r6i.8xlarge

32

256

2.02

, revelou a composição dos custos anuais. No ambiente on-premises, o Capex para servidores foi de R$ 180.000,00, enquanto o Opex anual incluiu R$ 210.000,00 para suporte de hardware/software, R$ 72.000,00 para consumo de energia e R$ 1.900.000,00 para parceiro (BPO). No cenário em nuvem, o custo anual do BPO foi de R$ 1.400.000,00, e os custos de instâncias, storage e tráfego de rede foram de R$ 239.112,00, R$ 238.464,00 e R$ 59.136,48, respectivamente.

A composição do TCO para o ambiente on-premises, apresentada na

VM

vCpu Right-sizing

Memória Right-sizing

Hora/ Mês

Instância Selecionada

Preço/Hora em dólar ($)

Custo Mensal (720h) em dólar ($)

Custo Mensal (720h) em reais (R$)

srv01

1

2

720

t3.small

0.02

14.98

80.87

srv02

1

10

720

m6i.xlarge

0.19

138.24

746.50

srv03

1

4

720

t3.medium

0.04

29.95

161.74

srv05

2

18

720

m6i.2xlarge

0.38

276.48

1492.99

srv06

2

7

720

t3.large

0.08

59.90

323.48

srv09

2

5

720

t3.large

0.08

59.90

323.48

srv10

4

42

720

r6i.2xlarge

0.50

362.88

1959.55

srv11

1

6

720

t3.large

0.08

59.90

323.48

srv12

1

6

720

t3.large

0.08

59.90

323.48

srv13

5

11

720

m6i.2xlarge

0.38

276.48

1492.99

srv14

8

114

720

r6i.4xlarge

1.01

725.76

3919.10

srv15

2

5

720

t3.large

0.08

59.90

323.48

srv16

3

9

720

m6i.xlarge

0.19

138.24

746.50

srv17

2

6

720

t3.large

0.08

59.90

323.48

srv18

2

9

720

m6i.xlarge

0.19

138.24

746.50

srv19

2

7

720

t3.large

0.08

59.90

323.48

srv20

2

8

720

t3.large

0.08

59.90

323.48

srv21

1

7

720

t3.large

0.08

59.90

323.48

srv22

2

8

720

t3.large

0.08

59.90

323.48

srv23

1

7

720

t3.large

0.08

59.90

323.48

srv24

2

7

720

t3.large

0.08

59.90

323.48

srv26

2

6

720

t3.large

0.08

59.90

323.48

srv27

16

97

720

r6i.4xlarge

1.01

725.76

3919.10

srv28

1

5

720

t3.large

0.08

59.90

323.48

srv29

4

15

720

m6i.xlarge

0.19

138.24

746.50

srv30

7

11

720

m6i.2xlarge

0.38

276.48

1492.99

srv31

4

7

720

m6i.xlarge

0.19

138.24

746.50

srv32

6

11

720

m6i.2xlarge

0.38

276.48

1492.99

srv33

2

6

720

t3.large

0.08

59.90

323.48

srv34

5

56

720

r6i.2xlarge

0.50

362.88

1959.55

srv35

4

11

720

m6i.xlarge

0.19

138.24

746.50

srv36

3

31

720

m6i.2xlarge

0.38

276.48

1492.99

srv37

3

14

720

m6i.xlarge

0.19

138.24

746.50

srv38

5

16

720

m6i.2xlarge

0.38

276.48

1492.99

srv39

2

8

720

t3.large

0.08

59.90

323.48

srv40

5

6

720

m6i.2xlarge

0.38

276.48

1492.99

srv41

1

6

720

t3.large

0.08

59.90

323.48

srv42

3

29

720

m6i.2xlarge

0.38

276.48

1492.99

srv43

2

6

720

t3.large

0.08

59.90

323.48

srv44

2

18

720

m6i.2xlarge

0.38

276.48

1492.99

srv45

2

4

720

t3.medium

0.04

29.95

161.74

srv46

2

16

720

m6i.xlarge

0.19

138.24

746.50

srv47

2

18

720

m6i.2xlarge

0.38

276.48

1492.99

srv48

4

9

720

m6i.xlarge

0.19

138.24

746.50

srv49

4

11

720

m6i.xlarge

0.19

138.24

746.50

srv50

1

5

720

t3.large

0.08

59.90

323.48

srv51

3

6

720

m6i.xlarge

0.19

138.24

746.50

srv52

1

10

720

m6i.xlarge

0.19

138.24

746.50

srv53

1

5

720

t3.large

0.08

59.90

323.48

srv54

1

4

720

t3.medium

0.04

29.95

161.74

srv56

2

8

720

t3.large

0.08

59.90

323.48

srv57

2

6

720

t3.large

0.08

59.90

323.48

srv58

5

10

720

m6i.2xlarge

0.38

276.48

1492.99

srv59

1

2

720

t3.small

0.02

14.98

80.87

srv60

1

5

720

t3.large

0.08

59.90

323.48

srv61

1

4

720

t3.medium

0.04

29.95

161.74

srv62

2

8

720

t3.large

0.08

59.90

323.48

srv63

1

4

720

t3.medium

0.04

29.95

161.74

srv64

4

10

720

m6i.xlarge

0.19

138.24

746.50

srv65

8

72

720

r6i.4xlarge

1.01

725.76

3919.10

srv66

1

11

720

m6i.xlarge

0.19

138.24

746.50

srv67

2

2

720

t3.small

0.02

14.98

80.87

srv68

2

6

720

t3.large

0.08

59.90

323.48

srv69

8

209

720

r6i.8xlarge

2.02

1451.52

7838.21

, totalizou R$ 3.794.691,42 para um ano, somando o Capex de R$ 180.000,00 e o Opex de R$ 3.614.691,42. Projetado para 36 meses, o TCO on-premises atingiu R$ 11.384.074,26. Esta análise detalhada dos custos fixos e operacionais permitiu uma compreensão abrangente do investimento necessário para manter a infraestrutura local.

Em contraste, o cálculo do TCO para o ambiente em nuvem, conforme a

Custos

CAPEX On-premises (Ano)

OPEX On-premises (Ano)

Cloud (Ano)

03 Servidores Lenovo 5520 (ambiente HCI)

180.000,00

Suporte de hardware/software (Servidor ambiente HCI)

210.000,00

Consumo energia

72.000,00

Gerador e nobreak

62.407,34

Parceiro (BPO)

1.900.000,00

1.400.000,00

Sistema de segurança

52.978,80

Sistema de combate a incêndio

37.866,00

Climatização

182.439,28

Profissionais envolvidos

445.000,00

445.000,00

Firewall

152.000,00

152.000,00

Link de internet

420.000,00

420.000,00

Ambiente de Backup

80.000,00

80.000,00

Custo manutenção Data Center

Licenciamento Microsoft

Custo Cloud Storage BPO 40TB (Backup)

240.000,00

Instâncias (64 VMs)

239.112,00

Storage (46 TB) das instancias AWS

238.464,00

Network tráfego (10TB)

59.136,48

, resultou em R$ 3.273.712,48 para um ano. Projetado para 36 meses, o TCO cloud foi de R$ 9.821.137,44. A diferença entre os dois cenários evidencia a potencial economia gerada pela migração, mesmo considerando os custos de computação, armazenamento, transferência de dados e custos residuais não absorvidos, como o BPO, que foram incluídos no cálculo.

A

Item

Valor

Capex (On-premises)

R$ 180.000,00

Opex (On-premises)

+ R$ 3.614.691,42

TCO On-premises

R$ 3.794.691,42

TCO On-premises (36 meese)

R$ 11.384.074,26

sintetiza os indicadores financeiros, demonstrando a transformação dos dados operacionais em métricas estratégicas. A economia total projetada para 36 meses foi de R$ 1.562.936,82, resultando em uma economia mensal de R$ 43.414,91. O investimento inicial estimado para o projeto de migração foi de R$ 283.500,00, o que levou a um lucro líquido de R$ 1.279.436,82.

Os indicadores financeiros revelaram uma robusta viabilidade econômica para a migração. O Retorno sobre o Investimento (ROI) foi de 451,30%, calculado a partir do lucro líquido dividido pelo investimento inicial e multiplicado por cem. O período de Payback, que representa o tempo de retorno do investimento, foi estimado em 6,5 meses, obtido pela divisão do investimento inicial pela economia mensal. Esses números confirmam a eficiência econômica da metodologia proposta, especialmente para empresas de médio porte.

A viabilidade econômica da migração foi impulsionada principalmente pela correção do “overprovisioning” identificado no ambiente on-premises. A redução de 45% em vCPU e 64% em memória RAM, decorrente do “right-sizing”, transformou custos fixos subutilizados em eficiência operacional direta na nuvem. Este achado corrobora a importância de uma análise detalhada da utilização real dos recursos, como defendido por Chen, Wang e Zhang (2021) no contexto de FinOps.

O modelo proposto, ao traduzir métricas técnicas brutas em indicadores de viabilidade econômica de fácil interpretação para a alta gestão, preencheu uma lacuna metodológica para empresas de médio porte com infraestruturas legadas (Storbbakken, 2023). A metodologia de análise demonstrou ser um instrumento eficaz para a adequação técnica dos recursos computacionais e um motor de eficiência financeira, oferecendo previsibilidade e racionalidade econômica para processos de migração para a nuvem.

Contudo, o estudo apresentou algumas limitações. Quantitativamente, a ausência de métricas detalhadas de consumo de rede no ambiente de origem pode ter impactado a precisão das estimativas de tráfego “egress” na nuvem. Qualitativamente, o escopo da pesquisa não incluiu a mensuração financeira de ganhos estratégicos como segurança, escalabilidade e inovação, que, embora intangíveis, agregam valor competitivo significativo ao negócio, conforme apontado por Linthicum (2020).

Em síntese, os resultados obtidos demonstram que a transformação de dados de uso em métricas financeiras de TCO, ROI e Payback fornece uma base quantitativa robusta para a tomada de decisão gerencial. A aplicação do modelo revelou uma robusta viabilidade econômica, com um Retorno sobre o Investimento de 451% e um período de payback estimado em 6,5 meses, impulsionados pela redução de 45% em vCPU e 64% em memória RAM, decorrente da correção do superdimensionamento, respondendo diretamente ao objetivo de propor um modelo de apoio à análise de viabilidade da migração para a nuvem.

4. Conclusão

Este estudo teve como objetivo propor um modelo de apoio à análise de viabilidade da migração para a nuvem, fundamentado em dados reais de utilização e custos operacionais. Verificou-se que a aplicação de uma metodologia estruturada, baseada na estratégia de “right-sizing”, permitiu a transposição de métricas técnicas de um ambiente on-premises para indicadores financeiros robustos. Os resultados evidenciaram uma significativa correção do superdimensionamento da infraestrutura local, com uma redução de 45% em vCPU e 64% em memória RAM. Essa otimização impulsionou uma robusta viabilidade econômica para a migração, com um Retorno sobre o Investimento de 451% e um período de Payback estimado em 6,5 meses. A principal contribuição do trabalho reside na oferta de um roteiro replicável que traduz dados operacionais em métricas financeiras de fácil interpretação para a alta gestão, servindo como um instrumento de apoio à decisão que promove previsibilidade e racionalidade econômica para empresas de médio porte em seus processos de transição para a nuvem.

Contudo, o estudo apresentou algumas limitações. Quantitativamente, a ausência de métricas detalhadas de consumo de rede no ambiente de origem pode ter impactado a precisão das estimativas de tráfego de saída na nuvem. Qualitativamente, o escopo da pesquisa não incluiu a mensuração financeira de ganhos estratégicos como segurança, escalabilidade e inovação, que agregam valor competitivo significativo ao negócio. Adicionalmente, a granularidade do catálogo do provedor de nuvem implicou um leve superdimensionamento em relação ao cálculo teórico ideal. Para estudos futuros, sugere-se a adoção de modelos de reserva de instâncias e a realização de análises de sensibilidade frente às variações cambiais, a fim de aprimorar a sustentabilidade do projeto a longo prazo e aprofundar a avaliação dos benefícios estratégicos não monetizados.

Referências Bibliográficas

AMAZON WEB SERVICES. Amazon EC2 pricing. Disponível em: https://aws.amazon.com/ec2/pricing/. Acesso em: 22 abr. 2026.

Chen, Wei; Wang, Lei; Zhang, Xue. FinOps practices in cloud environments. IEEE Cloud Computing, 2021.

ERL, Thomas; Puttini, Ricardo; Mahmood, Zaigham. Cloud computing: concepts, technology & architecture. Boston: Prentice Hall, 2013.

Finops Foundation. FinOps framework. Disponível em: https://www.finops.org/framework/. Acesso em: 22 abr. 2026.

Linthicum, David. Cloud computing and SOA convergence in your enterprise. Boston: Addison-Wesley, 2020.

Marston, Sean; LI, Zhi; Bandyopadhyay, Subhajyoti; ZHANG, Juheng; GHALSASI, Anand. Cloud computing — The business perspective. Decision Support Systems, v. 51, n. 1, p. 176–189, 2011.

Mazzucco, Michele; BACIC, Mladen. FinOps e otimização de custos em cloud computing. Journal of Cloud Computing, v. 11, n. 1, p. 1–15, 2022.

Mell, Peter; Grance, Timothy. The NIST definition of cloud computing. Gaithersburg: National Institute of Standards and Technology, 2011.

Storbbakken, 2023 [Referência completa não encontrada no documento original]

Veras, Manoel. Cloud computing: nova arquitetura da TI. Rio de Janeiro: Brasport, 2016.

Weinman, Joe. Cloudonomics: the business value of cloud computing. Hoboken: Wiley, 2012.

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

Você também pode gostar

10 de novembro de 2026

Previsão da Demanda do Transporte Aéreo Brasileiro com Modelos de Séries Temporais

A previsão da demanda no transporte aéreo é crucial para o planejamento operacional e regulatório de um setor com sazonalidade, sensibilidade a choques e mudanças de trajetória. Objetivou-se modelar e prever o comportamento mensal do volume de passageiros pagos no transporte aéreo brasileiro, utilizando dados históricos da Agência Nacional de Aviação Civil (ANAC) de 2016 a 2025. Adotou-se uma abordagem quantitativa, aplicada e documental. A série mensal foi consolidada e tratada em Python, passando por análise exploratória, teste de Dickey-Fuller aumentado, decomposição sazonal e inspeção de autocorrelação. Compararam-se os modelos Naive sazonal, Holt-Winters e SARIMA, avaliando o desempenho preditivo por MAE, RMSE e MAPE, com validação temporal nos 12 meses de 2025. Os resultados revelaram tendência, sazonalidade recorrente e uma ruptura estrutural em 2020, seguida por recuperação gradual da demanda. O modelo SARIMA demonstrou o melhor desempenho preditivo, com menor erro e maior aderência aos valores observados no período de teste. Concluiu-se que a modelagem clássica de séries temporais foi adequada para representar a dinâmica da demanda aérea brasileira, e o SARIMA mostrou-se a alternativa mais consistente para previsão no contexto analisado.

Palavras-chave: Modelagem SARIMA; Previsão estatística; Sazonalidade; Séries temporais; Transporte aéreo.

10 de novembro de 2026

Desvios de Crista e Pé na Largura Efetiva da Berma em Mina a Céu Aberto

A avaliação geométrica de bermas em minas a céu aberto demonstrou relevância para a segurança operacional e a conformidade da escavação em relação ao projeto. O estudo analisou em que medida os desvios geométricos de crista e de pé explicaram a variação da largura efetiva da berma no Banco -120 de uma mina a céu aberto, utilizando o Excavation Compliance Index como ferramenta de interpretação. A investigação caracterizou-se como aplicada e quantitativa, desenvolvida por meio de estudo de caso com dados geométricos reais extraídos de arquivos em formato DXF. As coordenadas da crista e do pé foram processadas em Python, interpoladas com espaçamento regular de 1 metro e compatibilizadas ao longo do trecho comum das geometrias. Em seguida, realizaram-se análise estatística descritiva, regressão linear múltipla, regressão quantílica, Random Forest Regressor e aplicação adaptada do índice. Os resultados indicaram que 57,7% das bermas foram classificadas como conformes, 30,0% como atenção e 12,2% como críticas. Os desvios da crista foram mais elevados e mais dispersos do que os desvios do pé. A regressão linear múltipla indicou associação estatisticamente significativa entre os desvios geométricos e a largura efetiva da berma, embora com baixo poder explicativo. A regressão quantílica evidenciou que os efeitos variaram ao longo da distribuição da largura, e o Random Forest indicou sensibilidade a padrões não lineares, mas com limitação de generalização sequencial. Verificou-se que os desvios de crista e de pé estiveram associados à largura efetiva da berma, mas não explicaram isoladamente toda a sua variabilidade.

Palavras-chave: avaliação geométrica; geometria de bancadas; índice de conformidade; regressão quantílica.

10 de novembro de 2026

Marketing aplicado para fortalecimento de força, contribuição e valor de marca no cooperativismo de crédito

Em um cenário financeiro competitivo e demandante por confiança, a relevância da marca é crucial para sustentar a preferência e o relacionamento em organizações cooperativas. O estudo investigou como estratégias de marketing aplicado podem fortalecer a força, contribuição e valor de marca em uma cooperativa de crédito, visando ampliar sua relevância competitiva no mercado. Para isso, realizou-se um estudo de caso em uma cooperativa de crédito brasileira, empregando pesquisa quantitativa. Um questionário em escala Likert foi aplicado a 85 funcionários do setor de marketing, selecionados por amostragem não probabilística por conveniência. Os dados foram tratados por frequências, estatística descritiva, análise cruzada e de interdependência entre seções. Os resultados revelaram uma percepção predominantemente positiva, com destaque para lembrança imediata, credibilidade, confiança e segurança, e avaliações favoráveis sobre os efeitos práticos da marca na preferência, etapas de relacionamento e recomendação. Contudo, identificaram-se oportunidades de aprimoramento na consistência entre canais, no processo de onboarding e suporte pós-adesão, e na suficiência das métricas de avaliação. Como contribuições gerenciais, a pesquisa sustentou recomendações para padronizar mensagens e pontos de contato, fortalecer a etapa de entrada e pós-adesão, e consolidar rotinas de acompanhamento por indicadores, com alinhamento interáreas e apoio da liderança para decisões mais consistentes.

Palavras-chave: consistência multicanal; métricas de desempenho; onboarding; relevância competitiva.

10 de novembro de 2026

Compliance formal e ineficácia prática: da presença da alta administração na prática de atos ilícitos na relação com o Poder Público

Nos últimos anos, a solidez de um programa de integridade consolidou-se como critério de credibilidade da empresa, notadamente na relação com o setor público. Ainda assim, apesar de sua ampla difusão no meio corporativo, persistem recorrentes casos de corrupção envolvendo empresas e que contam com a participação frequente da alta administração. O objetivo deste estudo foi analisar a relação entre a efetividade do programa de integridade, o papel da alta administração e a prática de atos ilícitos em face da Administração Pública. Para tanto, adotou-se uma pesquisa exploratória e bibliográfica, a partir de uma visão ampla do compliance, com ênfase no papel da alta administração como um dos principais alicerces para a implementação e desenvolvimento de um programa de integridade eficaz. A partir de dados disponibilizados pela Controladoria Geral da União [CGU] e de casos de ampla repercussão divulgados na mídia, buscou-se examinar de forma integrada a correlação entre a ineficiência de um programa de integridade e a prática de atos ilícitos em face da Administração Pública. Com os resultados, verificou-se que, apesar de o compliance ter se tornado regra nas grandes corporações, bem como uma exigência para a contratação com os órgãos públicos, a gestão predatória e a falta de comprometimento das lideranças ainda são uma realidade que enfraquece ou anula os programas de integridade implantados no cenário corporativo brasileiro, sobretudo no relacionamento com a Administração Pública.

Palavras-chave: compliance; gestores; infração; órgãos públicos.

10 de novembro de 2026

Behaviour Insights: A comercialização de dados para tomada de decisões estratégicas no setor de tecnologia

A crescente utilização da inteligência artificial e da big data por empresas de tecnologia ampliou o uso de dados pessoais como ativos estratégicos, mas também intensificou riscos éticos relacionados à privacidade, consentimento e transparência. Nesse contexto, investigou-se como usuários com conhecimento mínimo sobre a Lei Geral de Proteção de Dados (LGPD), inteligência artificial e dados percebem a legitimidade e a ética do uso do produto Behaviour Insights, desenvolvido pela Meta, e quais contrapartidas consideraram aceitáveis para autorizar o tratamento de dados. Para tanto, realizou-se uma pesquisa aplicada, de abordagem quantitativa, descritiva e exploratória. A coleta de dados ocorreu por meio de um questionário estruturado, aplicado a 100 participantes da região Sudeste do Brasil com conhecimento mínimo sobre LGPD, IA e dados. A análise dos dados foi estatística e incluiu triangulação para maior robustez. Os resultados indicaram que a presença de algoritmos preditivos é amplamente percebida, e 55,6% dos usuários consideraram os sistemas de recomendação algorítmica positivos para sua experiência. Contudo, 82,7% dos respondentes avaliaram negativamente a comercialização de seus dados para terceiros sem consentimento explícito. A legitimidade percebida do Behaviour Insights não se associou à sofisticação técnica, mas à existência de governança de dados, transparência algorítmica e controle do titular. Concluiu-se que a aceitação de soluções preditivas, como o Behaviour Insights, depende da percepção de benefício direto ao usuário e da clareza sobre o uso dos dados, com forte rejeição à comercialização sem consentimento. Recomenda-se que as organizações explicitem as finalidades do uso de dados e as contrapartidas oferecidas para aumentar a aceitação.

Palavras-chave: Comercialização de dados; Criatividade combinatória; LGPD; Predição; Privacidade.

10 de novembro de 2026

Controles de segurança da informação baseados na ISO/IEC 27002:2022 em empresas no Brasil

A segurança da informação representa um requisito fundamental para empresas e entidades governamentais, especialmente diante da crescente digitalização e dos riscos associados à proteção de dados e integridade de sistemas. O objetivo foi analisar 25 controles da norma ISO/IEC 27002:2022, distribuídos em 15 organizacionais, 5 tecnológicos, 3 de pessoas e 2 físicos, em organizações no Brasil. Para isso, realizou-se uma pesquisa exploratória de abordagem quantitativa, que aplicou um questionário estruturado com 30 perguntas a 66 profissionais de segurança da informação. Os dados foram coletados virtualmente entre fevereiro e março de 2026 e analisados por meio de gráficos e tabelas. Os resultados indicaram que as organizações priorizaram controles como restrição de acesso físico, proteção contra malware e remoção de acessos após desligamento. Em contrapartida, controles relacionados à auditoria em segurança da informação, continuidade dos negócios e aprendizado organizacional foram os menos utilizados. A análise revelou que, embora a priorização de controles operacionais gere resultados imediatos, ela compromete o amadurecimento da segurança da informação. Concluiu-se que a implementação consistente de controles estruturantes é crucial para fortalecer a resiliência corporativa e alinhar o sistema de segurança da informação às exigências de gestão e conformidade.

Palavras-chave: conformidade; controles organizacionais; governança; segurança da informação.

10 de novembro de 2026

Estruturação de perfis empresariais por indicadores financeiros e clusterização multivariada

A crescente disponibilidade de dados financeiros e a necessidade de interpretá-los de forma estruturada tornaram relevantes as técnicas de análise multivariada no contexto da ciência de dados aplicada às organizações. O estudo objetivou identificar e interpretar agrupamentos de empresas com base em indicadores financeiros selecionados, a fim de compreender padrões de similaridade e diferenciação entre os perfis econômico-financeiros observados. Para isso, realizou-se uma pesquisa aplicada, quantitativa e exploratório-descritiva, utilizando uma base de dados composta por variáveis patrimoniais, de capital de giro e obrigações operacionais. Os dados foram tratados, padronizados e agregados por empresa, sendo posteriormente analisados por meio de técnicas de clusterização com o algoritmo K-means, definição do número de clusters pelos métodos Elbow e Silhueta, redução de dimensionalidade por Análise de Componentes Principais e validação estatística por análise de variância. Os resultados mostraram que a segmentação identificou grupos distintos de empresas, diferenciados principalmente por variáveis relacionadas ao porte, ao ativo circulante, ao passivo total, ao passivo circulante e aos fornecedores, evidenciando o papel central dessas dimensões na formação dos clusters. A projeção por componentes principais confirmou a separação visual entre os grupos, e a análise de variância indicou diferenças estatisticamente significativas em parte importante das variáveis. Concluiu-se que a clusterização constituiu uma abordagem adequada para identificar perfis empresariais em bases financeiras e que a integração entre análise financeira e ciência de dados ampliou a capacidade de interpretação dos padrões presentes na amostra.

Palavras-chave: Análise Multivariada; Ciência de Dados; Clusterização; Indicadores Financeiros; K-means.

10 de novembro de 2026

LOCALIZAÇÃO DE CENTROS DE DISTRIBUIÇÃO PARA E-COMMERCE NO BRASIL

A localização de Centros de Distribuição (CDs) é uma decisão estratégica crucial para empresas de e-commerce, influenciando custos logísticos e prazos de entrega. Pequenas e médias empresas (PMEs) enfrentam desafios para realizar análises robustas devido à escassez de dados proprietários e ferramentas especializadas. Desenvolveu-se um modelo analítico de otimização combinatória, que integrou aprendizado de máquina não supervisionado (K-means) e meta-heurística (Algoritmo Genético), fundamentado exclusivamente em dados públicos, para apoiar decisões de localização de CDs no Brasil. Utilizaram-se dados do IBGE, do dataset Olist (Kaggle), do Google Trends e da Google Maps Distance Matrix API para construir uma base integrada com coordenadas geográficas, proxies de demanda e matrizes de distância. A metodologia combinou clusterização por K-means para identificar regiões logisticamente homogêneas e Algoritmo Genético como heurística de busca para selecionar municípios que minimizassem o custo logístico total. Os resultados indicaram a formação de seis clusters com padrões regionais distintos, concentrando 42% da demanda na região metropolitana do Sudeste. O cenário com dois CDs, localizados em São Paulo e Salvador, apresentou uma redução de 22% no custo variável de transporte em comparação com um baseline de CD único, com cobertura de 70% da demanda dentro do prazo de entrega (SLA) de dois dias. Análises de sensibilidade demonstraram a robustez do modelo, com variações inferiores a cinco pontos percentuais sob diferentes cenários de demanda e custos. Concluiu-se que a abordagem proposta oferece uma alternativa viável e replicável para PMEs democratizarem o acesso a métodos analíticos de localização.

Palavras-chave: Algoritmo Genético; Centros de Distribuição; E-commerce; K-means; Otimização.

Inscreva-se em nossa newsletter!

Receba conteúdos e fique sempre atualizado sobre as novidades em gestão, liderança e carreira com a Revista E&S.

Ao preencher o formulário você está ciente de que podemos enviar comunicações e conteúdos da Revista E&S. Confira nossa Política de Privacidade