Seguimos esse fluxo em todos os projetos. A duração total varia de 4 a 10 semanas, dependendo da complexidade.
Duração: 5 dias úteis. Nossa equipe acessa as fontes de dados do cliente (bancos de dados, planilhas, APIs, data lakes) e avalia três coisas: completude, consistência e atualidade. O objetivo é entender o que existe, o que falta e o que precisa ser limpo antes de qualquer modelagem.
Entregável: relatório de diagnóstico com mapa das fontes, análise de qualidade por campo e lista de lacunas. Esse relatório inclui uma estimativa preliminar de ROI para os cenários mais promissores.
Para projetos acima de R$ 30.000, essa etapa é gratuita. O cliente pode parar aqui, sem obrigação de continuar.
Duração: 3 a 5 dias úteis. Com base no diagnóstico, apresentamos uma proposta técnica e comercial. O documento detalha: o problema a ser resolvido, a métrica de sucesso (acurácia, recall, tempo de resposta), a arquitetura proposta, o cronograma semana a semana e o investimento.
Não usamos propostas genéricas. Cada documento é escrito para o projeto específico, com referências aos dados e sistemas do cliente. Ajustes de escopo são negociados antes da assinatura, não depois.
Duração: 1 a 3 semanas. Essa é a etapa mais trabalhosa e a que mais influencia o resultado final. Limpamos registros duplicados, tratamos valores ausentes, normalizamos formatos e criamos as features (variáveis derivadas) que o modelo vai usar.
Se o cliente não tem um pipeline de dados estruturado, construímos um. Usamos ferramentas como Apache Airflow, dbt e scripts Python que ficam documentados e entregues ao cliente ao final do projeto. Nada de caixa-preta.
Entregável: pipeline de dados automatizado e dataset de treinamento validado.
Duração: 1 a 2 semanas. Testamos entre 3 e 7 arquiteturas diferentes. Para problemas tabulares, costumamos começar com gradient boosting (XGBoost, LightGBM) e comparar com redes neurais simples. Para visão computacional, usamos CNNs pré-treinadas (ResNet, EfficientNet) com fine-tuning nos dados do cliente.
Cada experimento é registrado com MLflow: hiperparâmetros, métricas de validação e artefatos do modelo. O cliente tem acesso ao painel de experimentos e participa da escolha do modelo final.
Entregável: modelo treinado, relatório de performance com métricas no dataset de teste e análise de erros (quais casos o modelo erra e por quê).
Duração: 3 a 7 dias úteis. O modelo é empacotado como uma API REST (FastAPI ou Flask) e implantado na infraestrutura do cliente. Pode ser um cluster Kubernetes na AWS, uma VM no Azure ou um servidor on-premise. Adaptamos ao que já existe.
Configuramos monitoramento de latência, taxa de erro e drift de dados (quando a distribuição dos dados de entrada muda ao longo do tempo). Alertas são enviados por e-mail ou Slack quando qualquer métrica sai do intervalo esperado.
Entregável: API em produção, documentação de endpoints, dashboard de monitoramento e runbook para a equipe de operações.
Duração: 12 meses (incluído no contrato). Modelos de machine learning perdem acurácia com o tempo. Padrões de compra mudam, novos produtos são lançados, sazonalidades se alteram. Por isso, monitoramos o desempenho continuamente.
A cada 14 dias, um job automatizado compara as previsões do modelo com os resultados reais. Se a acurácia cair abaixo do limiar combinado no contrato, retreinamos o modelo com dados recentes sem custo adicional.
Ao final dos 12 meses, o cliente pode renovar o suporte ou assumir a operação internamente. Entregamos toda a documentação e o código-fonte para que a transição seja possível.
Dependendo da urgência e do orçamento, o processo pode ser condensado ou expandido.
| Aspecto | Projeto pontual | Parceria contínua |
|---|---|---|
| Duração típica | 4 a 10 semanas | Mínimo 6 meses, renovável |
| Equipe alocada | 1 cientista de dados + 1 engenheiro | 2 a 4 profissionais dedicados |
| Reuniões de alinhamento | Quinzenais | Semanais |
| Retreinamento | Incluído por 12 meses | Contínuo durante o contrato |
| Novos modelos | Requer novo contrato | Incluídos no roadmap mensal |
| Suporte pós-entrega | 3 meses (e-mail e chamados) | Tempo real via Slack ou Teams |
Se o modelo não atingir a métrica de sucesso definida no contrato dentro do prazo acordado, continuamos o desenvolvimento sem custo adicional até alcançar o objetivo ou devolvemos 50% do valor pago. Essa garantia se aplica a projetos pontuais com escopo fechado.
O sucesso do projeto depende de colaboração. Aqui está o que pedimos da sua parte.
Precisamos de acesso de leitura às bases de dados relevantes. Não pedimos credenciais de administrador. Um usuário com permissão SELECT é suficiente na maioria dos casos. Se os dados estiverem em planilhas, pedimos que sejam compartilhados via pasta segura (Google Drive, SharePoint ou similar).
Designar uma pessoa da equipe interna que conheça os sistemas e possa responder perguntas sobre o significado dos campos, regras de negócio e exceções. Não precisa ser um cientista de dados. Pode ser um analista de BI, um DBA ou até o gestor da área.
Em dois momentos do projeto (ao final da etapa 3 e ao final da etapa 4), precisamos de feedback do cliente sobre os resultados parciais. Essas reuniões duram entre 30 e 60 minutos e são agendadas com antecedência. Sem essa validação, corremos o risco de otimizar para a métrica errada.
Para a etapa 5, precisamos de um ambiente onde implantar o modelo. Se o cliente não tem infraestrutura de cloud, ajudamos a configurar uma conta na AWS, Azure ou GCP com os recursos mínimos necessários. O custo de cloud é por conta do cliente, mas costuma ficar entre R$ 500 e R$ 3.000 por mês para a maioria dos projetos.
Envie uma mensagem descrevendo o problema que você quer resolver. Respondemos em até 24 horas com os próximos passos.
Fale conosco