November 10, 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