{"id":36727,"date":"2026-05-14T11:30:00","date_gmt":"2026-05-14T14:30:00","guid":{"rendered":"https:\/\/building.nubank.com\/?p=36727"},"modified":"2026-05-14T11:18:53","modified_gmt":"2026-05-14T14:18:53","slug":"da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados","status":"publish","type":"post","link":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/","title":{"rendered":"Da complexidade \u00e0 clareza: uma abordagem estruturada para atender grandes volumes de dados"},"content":{"rendered":"\n

Escrito por: Rodrigo Medina, Ivette Ayala<\/em><\/p>\n\n\n\n

No Nubank, centenas de times geram milhares de ativos de dados para atender mais de 130 milh\u00f5es de clientes em v\u00e1rios pa\u00edses. A arquitetura distribu\u00edda que viabiliza essa escala tamb\u00e9m traz um desafio anal\u00edtico: \u00e0 medida que a plataforma de dados cresce, ela se torna cada vez mais complexa e fragmentada, dificultando sua compreens\u00e3o e navega\u00e7\u00e3o.<\/p>\n\n\n\n

O Discover Df nasceu da premissa de que, em um ambiente distribu\u00eddo, entender ativos de dados n\u00e3o pode ser deixado ao acaso. Isso precisa ser feito de forma sistem\u00e1tica, transformando a complexidade em algo estruturado e acess\u00edvel. O objetivo \u00e9 que qualquer analista, em qualquer time, consiga ir do primeiro contato com um conjunto de dados at\u00e9 fazer contribui\u00e7\u00f5es relevantes em dias, n\u00e3o em semanas ou meses.<\/p>\n\n\n\n

O custo invis\u00edvel do onboarding<\/strong><\/h2>\n\n\n\n

Quem j\u00e1 chegou a um novo time como Analista de Neg\u00f3cios conhece bem essa sensa\u00e7\u00e3o. Voc\u00ea chega com energia e ideias, mas antes de poder contribuir, h\u00e1 um ped\u00e1gio invis\u00edvel a pagar: entender os datasets do time. Quais tabelas realmente importam, o que cada filtro representa, onde est\u00e3o os casos de borda. Atingir esse n\u00edvel de familiaridade pode levar semanas, \u00e0s vezes meses.<\/p>\n\n\n\n

Agora imagine um projeto interfuncional com prazo apertado. Voc\u00ea precisa trabalhar com datasets que pertencem a outros times, que voc\u00ea n\u00e3o teve tempo de entender a fundo. A abordagem mais comum \u00e9 pragm\u00e1tica: contar linhas, dar uma olhada em algumas colunas e, em seguida, entrar em contato com o BA ou AE do time para preencher as lacunas.<\/p>\n\n\n\n

Funciona, mas \u00e9 fr\u00e1gil. Filtros importantes vinculados ao seu contexto espec\u00edfico podem passar despercebidos, oportunidades de segmenta\u00e7\u00e3o ficam sem ser exploradas, e as decis\u00f5es acabam sendo tomadas com base em um modelo mental incompleto dos dados. Isso n\u00e3o acontece por falta de habilidade do analista, mas porque n\u00e3o existe uma forma estruturada de explorar esse territ\u00f3rio.<\/p>\n\n\n\n

\u00c9 aqui que come\u00e7a a hip\u00f3tese. O custo do onboarding n\u00e3o \u00e9 inevit\u00e1vel, porque os datasets n\u00e3o s\u00e3o intrinsecamente dif\u00edceis de entender, mas sim porque falta uma maneira consistente e repet\u00edvel de se aproximar deles desde o primeiro contato.<\/p>\n\n\n\n

E se esse processo pudesse ser comprimido? Em vez de semanas de absor\u00e7\u00e3o passiva de contexto, um analista poderia rodar uma \u00fanica fun\u00e7\u00e3o e, em minutos, entender o conte\u00fado do dataset, seus limites, distribui\u00e7\u00f5es e estrutura. A partir da\u00ed, as conversas com os donos dos dados mudariam: o analista passaria da depend\u00eancia para a contribui\u00e7\u00e3o, de pedir explica\u00e7\u00f5es para propor dire\u00e7\u00f5es embasadas.<\/p>\n\n\n\n

Voc\u00ea n\u00e3o pode explorar o que n\u00e3o sabe que existe<\/strong><\/h2>\n\n\n\n

Quando analistas se deparam com um dataset novo hoje, costumam come\u00e7ar pelo que j\u00e1 conhecem: exploram campos familiares, perguntam ao time respons\u00e1vel sobre o restante e v\u00e3o construindo gradualmente um entendimento operacional. Uma vez que voc\u00ea sabe onde olhar, esse processo \u00e9 r\u00e1pido e eficaz. O problema \u00e9 que ele pressup\u00f5e que voc\u00ea j\u00e1 sabe onde olhar.<\/p>\n\n\n\n

Pense em um dataset com dezenas ou centenas de colunas cobrindo identidades de clientes, horizontes temporais e categorias comportamentais. O analista perfila o que parece familiar, busca contexto sobre o que n\u00e3o conhece, e segue em frente \u2014 mas h\u00e1 muito mais a descobrir.<\/p>\n\n\n\n

Dimens\u00f5es de segmenta\u00e7\u00e3o com potencial continuam ocultas, e padr\u00f5es que revelam a estrutura dos dados est\u00e3o presentes, mas nem sempre emergem. Esses elementos podem influenciar diretamente decis\u00f5es melhores, mas com frequ\u00eancia ficam inexplorados.<\/p>\n\n\n\n

Isso se torna ainda mais relevante em projetos que envolvem m\u00faltiplos datasets, \u00e0s vezes pertencentes a times diferentes. Cada camada adicional de entendimento agrega valor, e quanto mais completo for o panorama, mais s\u00f3lida ser\u00e1 a base para tudo que vier depois.<\/p>\n\n\n\n

H\u00e1 uma diferen\u00e7a significativa entre conhecer algumas dimens\u00f5es e realmente entender um objeto de dados que captura a atividade, os estados e o comportamento dos clientes. Quando um analista chega a esse n\u00edvel de compreens\u00e3o, as conversas de alinhamento mudam. Em vez de pedir contexto, ele chega pronto para contribuir, com uma vis\u00e3o clara de todo o panorama que os dados representam.<\/p>\n\n\n\n

Tr\u00eas princ\u00edpios para entender qualquer dataset<\/strong><\/h2>\n\n\n\n

A ideia central por tr\u00e1s do DiscoverDf \u00e9 que qualquer dataset, independentemente do dom\u00ednio ou de quem seja o dono, pode ser compreendido por meio de tr\u00eas princ\u00edpios universais. Cada um est\u00e1 associado a um n\u00edvel diferente de cardinalidade de coluna.<\/p>\n\n\n\n

O Qu\u00ea: quais entidades esse dataset cont\u00e9m e em que escala<\/strong><\/h2>\n\n\n\n

As colunas com maior cardinalidade, frequentemente com milh\u00f5es ou centenas de milh\u00f5es de valores \u00fanicos, respondem \u00e0 pergunta mais fundamental: quais entidades existem nesse dataset e em que escala?<\/p>\n\n\n\n

Normalmente s\u00e3o identificadores: IDs de clientes, IDs de contas, IDs de transa\u00e7\u00f5es, IDs de faturas. Ao observar a contagem de valores \u00fanicos no topo de um perfil ordenado, o analista consegue inferir rapidamente a granularidade dos dados, estimar o tamanho da popula\u00e7\u00e3o e entender como as entidades se relacionam entre si.<\/p>\n\n\n\n

O Quando: a estrutura temporal dos dados<\/strong><\/h2>\n\n\n\n

Colunas com cardinalidade entre centenas e dezenas de milhares geralmente representam tempo. Mesmo sem depender dos nomes das colunas, esse intervalo \u00e9 um forte sinal de estrutura temporal.<\/p>\n\n\n\n

A partir da\u00ed, o analista identifica a coluna de data principal verificando contagens de nulos, valores m\u00ednimos e m\u00e1ximos, e a distribui\u00e7\u00e3o ao longo do tempo. Em quest\u00e3o de segundos, fica claro at\u00e9 onde os dados retrocedem, qu\u00e3o recentes s\u00e3o e se h\u00e1 lacunas que precisam de aten\u00e7\u00e3o.<\/p>\n\n\n\n

O Como: as dimens\u00f5es dispon\u00edveis para an\u00e1lise<\/strong><\/h2>\n\n\n\n

Colunas com cardinalidade baixa, muitas vezes com cem ou menos valores \u00fanicos, definem como os dados podem ser explorados. S\u00e3o campos categ\u00f3ricos e de status: tipos de produto, status de empr\u00e9stimo, segmentos de clientes, flags e categorias comportamentais.<\/p>\n\n\n\n

Elas representam os eixos naturais para filtrar, agrupar e analisar. Ao mesmo tempo, costumam ser as mais ignoradas durante a explora\u00e7\u00e3o inicial. O DiscoverDf as torna expl\u00edcitas, mostrando cada dimens\u00e3o junto com sua distribui\u00e7\u00e3o completa de valores. O que de outra forma dependeria de conhecimento do dom\u00ednio passa a ser estruturado e imediatamente acion\u00e1vel.<\/p>\n\n\n\n

Onde os princ\u00edpios se encontram com o c\u00f3digo<\/strong><\/h2>\n\n\n\n

Esses tr\u00eas princ\u00edpios s\u00e3o independentes de linguagem ou ferramentas. Eles descrevem uma forma de pensar sobre dados, n\u00e3o uma implementa\u00e7\u00e3o espec\u00edfica.<\/p>\n\n\n\n

O DiscoverDf \u00e9 implementado como uma fun\u00e7\u00e3o reutiliz\u00e1vel em Scala rodando no Databricks. O analista passa um DataFrame e recebe um perfil estruturado com dezesseis indicadores anal\u00edticos por coluna.<\/p>\n\n\n\n

A contagem de valores \u00fanicos em todas as colunas se torna a nova chave de ordena\u00e7\u00e3o: quando o analista organiza as colunas da maior para a menor cardinalidade, o dataset se organiza nas tr\u00eas camadas descritas. O Qu\u00ea, o Quando e o Como emergem diretamente dos dados.<\/strong><\/p>\n\n\n\n

Cada coluna \u00e9 ent\u00e3o explorada em profundidade. Campos de timestamp s\u00e3o padronizados em formatos de data, e cada coluna \u00e9 enriquecida com um conjunto consistente de sinais: distribui\u00e7\u00f5es de nulos e zeros, valores m\u00ednimos e m\u00e1ximos, contagens categ\u00f3ricas e de datas, e resumos estat\u00edsticos.<\/p>\n\n\n\n

Para dimens\u00f5es de baixa cardinalidade, a fun\u00e7\u00e3o fornece distribui\u00e7\u00f5es completas por categoria. Para campos de data, ela exibe distribui\u00e7\u00f5es temporais e sinais de monitoramento. Para colunas de alta cardinalidade, retorna valores de amostra representativos.<\/p>\n\n\n\n

O resultado \u00e9 uma vis\u00e3o estruturada do dataset que torna imediatamente vis\u00edveis sua forma, seus limites e seu potencial anal\u00edtico.<\/p>\n\n\n\n

Ver o panorama completo antes da primeira consulta<\/strong><\/h2>\n\n\n\n

Para ilustrar como a fun\u00e7\u00e3o funciona, pense em rodar o DiscoverDf em um dataset com centenas de milh\u00f5es de linhas e dezenas de colunas.<\/p>\n\n\n\n

Assim que as colunas s\u00e3o ordenadas por valores \u00fanicos em ordem decrescente, uma estrutura come\u00e7a a emergir. O primeiro bloco mostra tr\u00eas colunas com centenas de milh\u00f5es de valores \u00fanicos para IDs de transa\u00e7\u00f5es, seguidas de dezenas de milh\u00f5es para IDs de clientes e contas. A escala e a granularidade ficam imediatamente claras, e o Qu\u00ea est\u00e1 respondido.<\/strong> Trata-se de um dataset transacional em que cada linha representa um evento individual conectado a uma popula\u00e7\u00e3o mais ampla de clientes.<\/p>\n\n\n\n

O bloco seguinte cont\u00e9m nove colunas com entre um e dois mil valores \u00fanicos \u2014 um intervalo de cardinalidade que sinaliza campos de data. O analista identifica a coluna que serve como refer\u00eancia de data principal, verifica seu nome, valores m\u00ednimo e m\u00e1ximo e a distribui\u00e7\u00e3o de nulos. O intervalo temporal fica claro em segundos, abrangendo v\u00e1rios anos at\u00e9 os registros mais recentes. O Quando est\u00e1 respondido:<\/strong> o dataset captura anos de hist\u00f3rico transacional.<\/p>\n\n\n\n

Na parte inferior do perfil, onze colunas t\u00eam menos de setenta valores \u00fanicos cada uma. S\u00e3o tipos, status, flags e campos de segmenta\u00e7\u00e3o, todos apresentados com suas distribui\u00e7\u00f5es completas de valores. O Como est\u00e1 respondido:<\/strong> o analista j\u00e1 consegue ver onze dimens\u00f5es distintas para filtrar, agrupar e analisar antes de escrever uma \u00fanica query.<\/p>\n\n\n\n

Descoberta como pr\u00e1tica, n\u00e3o apenas como ferramenta<\/strong><\/h2>\n\n\n\n

Uma das distin\u00e7\u00f5es mais importantes que aprendemos a fazer \u00e9 a diferen\u00e7a entre descoberta e execu\u00e7\u00e3o. O DiscoverDf foi criado para o primeiro contato com um dataset, quando o analista precisa construir um modelo mental completo do zero. Depois que esse modelo est\u00e1 estabelecido e o contexto est\u00e1 claro, o trabalho do dia a dia migra naturalmente para consultas mais r\u00e1pidas e direcionadas.<\/p>\n\n\n\n

O objetivo n\u00e3o \u00e9 substituir o fluxo de trabalho do analista, mas comprimir o tempo que vem antes dele. O que normalmente leva semanas de absor\u00e7\u00e3o passiva de contexto se torna um processo estruturado e muito mais \u00e1gil.<\/p>\n\n\n\n

Com o tempo, um segundo caso de uso surgiu: valida\u00e7\u00e3o. Quando times criam novos datasets ou refatoram pipelines existentes, o DiscoverDf oferece uma forma estruturada de verificar se o resultado corresponde ao esperado. Ele ajuda a confirmar que a granularidade est\u00e1 correta, que a cobertura temporal est\u00e1 completa e que as dimens\u00f5es categ\u00f3ricas cont\u00eam os valores esperados.<\/p>\n\n\n\n

Princ\u00edpios anal\u00edticos que transcendem a tecnologia<\/strong><\/h2>\n\n\n\n

A contribui\u00e7\u00e3o mais duradoura desse trabalho \u00e9 o framework em si. O Qu\u00ea, o Quando e o Como s\u00e3o princ\u00edpios que qualquer analista pode aplicar em qualquer ambiente, independentemente do stack tecnol\u00f3gico. O DiscoverDf \u00e9 uma forma de implement\u00e1-los hoje, no Databricks. O racioc\u00ednio por tr\u00e1s dele foi concebido para durar al\u00e9m de qualquer tecnologia espec\u00edfica.<\/p>\n\n\n\n

O pr\u00f3ximo passo j\u00e1 est\u00e1 tomando forma. \u00c0 medida que os fluxos de trabalho impulsionados por IA evoluem, o processo de descoberta descrito aqui n\u00e3o precisa continuar sendo manual. Agentes podem executar perfilamentos estruturados, identificar dimens\u00f5es-chave e gerar resumos antes que o analista escreva uma \u00fanica query. O papel humano se desloca da explora\u00e7\u00e3o para a interpreta\u00e7\u00e3o e o julgamento, que \u00e9 onde os analistas geram mais valor.<\/p>\n\n\n\n

A pergunta maior, e a que vale a pena perseguir como organiza\u00e7\u00e3o, \u00e9 o que acontece quando isso deixa de ser uma pr\u00e1tica individual e se torna um padr\u00e3o de time, incorporado \u00e0 forma como fazemos onboarding, documentamos e colaboramos entre equipes. \u00c9 nesse ponto que uma ferramenta \u00fatil se transforma em uma capacidade duradoura.<\/p>\n\n\n\n

Por que isso importa al\u00e9m da ferramenta<\/strong><\/h2>\n\n\n\n

O DiscoverDf \u00e9 mais do que uma ferramenta. Ele reflete uma forma de pensar que times de an\u00e1lise precisam cultivar. Um dos maiores desafios que os Squad Leads enfrentam \u00e9 ajudar os analistas a atingir seu potencial m\u00e1ximo rapidamente.<\/p>\n\n\n\n

O custo de onboarding descrito neste artigo tamb\u00e9m \u00e9 um custo de confian\u00e7a. Analistas que passam suas primeiras semanas operando em modo de depend\u00eancia, pedindo contexto e aguardando orienta\u00e7\u00e3o, tendem a internalizar essa din\u00e2mica. E uma vez estabelecida, ela leva tempo para ser desaprendida.<\/p>\n\n\n\n

Quando essa din\u00e2mica \u00e9 removida, o efeito \u00e9 imediato. Quando um analista chega a uma conversa j\u00e1 entendendo o dataset, j\u00e1 capaz de fazer perguntas melhores ou sugerir dire\u00e7\u00f5es, a intera\u00e7\u00e3o muda. Muda a forma como os analistas se enxergam e como os times percebem o papel deles.<\/p>\n\n\n\n

Em escala, isso se multiplica. Quando todos sobem a curva mais r\u00e1pido e operam com maior autonomia, o impacto eleva o padr\u00e3o do que o Nubank pode alcan\u00e7ar com dados. Isso \u00e9 um multiplicador da capacidade do time.<\/p>\n\n\n\n

H\u00e1 tamb\u00e9m uma dimens\u00e3o cultural nesse trabalho. Um time identificou uma lacuna estrutural, construiu uma solu\u00e7\u00e3o e a compartilhou. Esse instinto de resolver para o coletivo, e n\u00e3o apenas para necessidades individuais, \u00e9 uma marca definidora da cultura anal\u00edtica que est\u00e1 sendo constru\u00edda no Nubank. O DiscoverDf \u00e9 um exemplo. Muitos outros vir\u00e3o. A mudan\u00e7a importante \u00e9 que essa mentalidade est\u00e1 se tornando a norma.<\/p>\n","protected":false},"excerpt":{"rendered":"

Escrito por: Rodrigo Medina, Ivette Ayala No Nubank, centenas de times geram milhares de ativos de dados para atender mais de 130 milh\u00f5es de clientes em v\u00e1rios pa\u00edses. A arquitetura distribu\u00edda que viabiliza essa escala tamb\u00e9m traz um desafio anal\u00edtico: \u00e0 medida que a plataforma de dados cresce, ela se torna cada vez mais complexa […]<\/p>\n","protected":false},"author":178110103,"featured_media":36724,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[2604],"tags":[],"ppma_author":[2321],"class_list":["post-36727","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-analytics-engineering-pt-br"],"acf":[],"yoast_head":"\nDa complexidade \u00e0 clareza: uma abordagem estruturada para atender grandes volumes de dados - Building Nubank<\/title>\n<meta name=\"description\" content=\"Como o perfilamento estruturado de dados acelera o onboarding, aprofunda an\u00e1lises e amplia a autonomia em sistemas distribu\u00eddos\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/\" \/>\n<meta property=\"og:locale\" content=\"pt_BR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Da complexidade \u00e0 clareza: uma abordagem estruturada para atender grandes volumes de dados - Building Nubank\" \/>\n<meta property=\"og:description\" content=\"Como o perfilamento estruturado de dados acelera o onboarding, aprofunda an\u00e1lises e amplia a autonomia em sistemas distribu\u00eddos\" \/>\n<meta property=\"og:url\" content=\"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/\" \/>\n<meta property=\"og:site_name\" content=\"Building Nubank\" \/>\n<meta property=\"article:published_time\" content=\"2026-05-14T14:30:00+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/building.nubank.com\/wp-content\/uploads\/2026\/05\/Nubank_Photoshoot_Brasil_-Fotografia_Edu-Vieira-12-1024x682.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"682\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Nubank Editorial\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Nubank Editorial\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. tempo de leitura\" \/>\n\t<meta name=\"twitter:data2\" content=\"10 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\\\/\"},\"author\":{\"name\":\"Nubank Editorial\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/#\\\/schema\\\/person\\\/462f4f5a8d4ec3ccbc3d661dde00f0a4\"},\"headline\":\"Da complexidade \u00e0 clareza: uma abordagem estruturada para atender grandes volumes de dados\",\"datePublished\":\"2026-05-14T14:30:00+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\\\/\"},\"wordCount\":2189,\"commentCount\":0,\"image\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Nubank_Photoshoot_Brasil_-Fotografia_Edu-Vieira-12.jpg?fit=9391%2C6250&ssl=1\",\"articleSection\":[\"Analytics Engineering\"],\"inLanguage\":\"pt-BR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\\\/\",\"url\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\\\/\",\"name\":\"Da complexidade \u00e0 clareza: uma abordagem estruturada para atender grandes volumes de dados - Building Nubank\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Nubank_Photoshoot_Brasil_-Fotografia_Edu-Vieira-12.jpg?fit=9391%2C6250&ssl=1\",\"datePublished\":\"2026-05-14T14:30:00+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/#\\\/schema\\\/person\\\/462f4f5a8d4ec3ccbc3d661dde00f0a4\"},\"description\":\"Como o perfilamento estruturado de dados acelera o onboarding, aprofunda an\u00e1lises e amplia a autonomia em sistemas distribu\u00eddos\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\\\/#breadcrumb\"},\"inLanguage\":\"pt-BR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Nubank_Photoshoot_Brasil_-Fotografia_Edu-Vieira-12.jpg?fit=9391%2C6250&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Nubank_Photoshoot_Brasil_-Fotografia_Edu-Vieira-12.jpg?fit=9391%2C6250&ssl=1\",\"width\":9391,\"height\":6250},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Da complexidade \u00e0 clareza: uma abordagem estruturada para atender grandes volumes de dados\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/#website\",\"url\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/\",\"name\":\"Building Nubank\",\"description\":\"We make the extraordinary happen\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"pt-BR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/#\\\/schema\\\/person\\\/462f4f5a8d4ec3ccbc3d661dde00f0a4\",\"name\":\"Nubank Editorial\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g0a78bc815f2126d9ba65b2af185671f1\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g\",\"caption\":\"Nubank Editorial\"},\"url\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/author\\\/editorial\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Da complexidade \u00e0 clareza: uma abordagem estruturada para atender grandes volumes de dados - Building Nubank","description":"Como o perfilamento estruturado de dados acelera o onboarding, aprofunda an\u00e1lises e amplia a autonomia em sistemas distribu\u00eddos","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/","og_locale":"pt_BR","og_type":"article","og_title":"Da complexidade \u00e0 clareza: uma abordagem estruturada para atender grandes volumes de dados - Building Nubank","og_description":"Como o perfilamento estruturado de dados acelera o onboarding, aprofunda an\u00e1lises e amplia a autonomia em sistemas distribu\u00eddos","og_url":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/","og_site_name":"Building Nubank","article_published_time":"2026-05-14T14:30:00+00:00","og_image":[{"width":1024,"height":682,"url":"https:\/\/building.nubank.com\/wp-content\/uploads\/2026\/05\/Nubank_Photoshoot_Brasil_-Fotografia_Edu-Vieira-12-1024x682.jpg","type":"image\/jpeg"}],"author":"Nubank Editorial","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Nubank Editorial","Est. tempo de leitura":"10 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/#article","isPartOf":{"@id":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/"},"author":{"name":"Nubank Editorial","@id":"https:\/\/building.nubank.com\/pt-br\/#\/schema\/person\/462f4f5a8d4ec3ccbc3d661dde00f0a4"},"headline":"Da complexidade \u00e0 clareza: uma abordagem estruturada para atender grandes volumes de dados","datePublished":"2026-05-14T14:30:00+00:00","mainEntityOfPage":{"@id":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/"},"wordCount":2189,"commentCount":0,"image":{"@id":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2026\/05\/Nubank_Photoshoot_Brasil_-Fotografia_Edu-Vieira-12.jpg?fit=9391%2C6250&ssl=1","articleSection":["Analytics Engineering"],"inLanguage":"pt-BR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/","url":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/","name":"Da complexidade \u00e0 clareza: uma abordagem estruturada para atender grandes volumes de dados - Building Nubank","isPartOf":{"@id":"https:\/\/building.nubank.com\/pt-br\/#website"},"primaryImageOfPage":{"@id":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/#primaryimage"},"image":{"@id":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2026\/05\/Nubank_Photoshoot_Brasil_-Fotografia_Edu-Vieira-12.jpg?fit=9391%2C6250&ssl=1","datePublished":"2026-05-14T14:30:00+00:00","author":{"@id":"https:\/\/building.nubank.com\/pt-br\/#\/schema\/person\/462f4f5a8d4ec3ccbc3d661dde00f0a4"},"description":"Como o perfilamento estruturado de dados acelera o onboarding, aprofunda an\u00e1lises e amplia a autonomia em sistemas distribu\u00eddos","breadcrumb":{"@id":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/#breadcrumb"},"inLanguage":"pt-BR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/"]}]},{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/#primaryimage","url":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2026\/05\/Nubank_Photoshoot_Brasil_-Fotografia_Edu-Vieira-12.jpg?fit=9391%2C6250&ssl=1","contentUrl":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2026\/05\/Nubank_Photoshoot_Brasil_-Fotografia_Edu-Vieira-12.jpg?fit=9391%2C6250&ssl=1","width":9391,"height":6250},{"@type":"BreadcrumbList","@id":"https:\/\/building.nubank.com\/pt-br\/da-complexidade-a-clareza-uma-abordagem-estruturada-para-atender-grandes-volumes-de-dados\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/building.nubank.com\/pt-br\/"},{"@type":"ListItem","position":2,"name":"Da complexidade \u00e0 clareza: uma abordagem estruturada para atender grandes volumes de dados"}]},{"@type":"WebSite","@id":"https:\/\/building.nubank.com\/pt-br\/#website","url":"https:\/\/building.nubank.com\/pt-br\/","name":"Building Nubank","description":"We make the extraordinary happen","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/building.nubank.com\/pt-br\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"pt-BR"},{"@type":"Person","@id":"https:\/\/building.nubank.com\/pt-br\/#\/schema\/person\/462f4f5a8d4ec3ccbc3d661dde00f0a4","name":"Nubank Editorial","image":{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g0a78bc815f2126d9ba65b2af185671f1","url":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g","caption":"Nubank Editorial"},"url":"https:\/\/building.nubank.com\/pt-br\/author\/editorial\/"}]}},"jetpack_shortlink":"https:\/\/wp.me\/pbKBB5-9yn","jetpack_sharing_enabled":true,"authors":[{"term_id":2321,"user_id":178110103,"is_guest":0,"slug":"editorial","display_name":"Nubank Editorial","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g","0":null,"1":"","2":"","3":"","4":"","5":"","6":"","7":"","8":""}],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2026\/05\/Nubank_Photoshoot_Brasil_-Fotografia_Edu-Vieira-12.jpg?fit=9391%2C6250&ssl=1","_links":{"self":[{"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/posts\/36727","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/users\/178110103"}],"replies":[{"embeddable":true,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/comments?post=36727"}],"version-history":[{"count":2,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/posts\/36727\/revisions"}],"predecessor-version":[{"id":36729,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/posts\/36727\/revisions\/36729"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/media\/36724"}],"wp:attachment":[{"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/media?parent=36727"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/categories?post=36727"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/tags?post=36727"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/ppma_author?post=36727"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}