--- title: Governança de dados e redução de custo em nuvem description: Uma operação global da indústria automotiva transformou um ambiente inflado de dados em uma arquitetura enxuta, governada e financeiramente sustentável. O projeto reduziu em 96% o volume armazenado, gerou economia anual superior a R$ 500 mil e liberou capacidade para inovação em vez de sustentação do legado. image: https://math.group/hubfs/Gemini_Generated_Image_hdjn1fhdjn1fhdjn.png --- ![logo-2](https://math.group/hs-fs/hubfs/logo-2.png?width=186&height=33&name=logo-2.png) # Governança de dados e redução de custo em nuvem ![Gemini_Generated_Image_qo5kz3qo5kz3qo5k](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_qo5kz3qo5kz3qo5k.png?width=2752&height=1536&name=Gemini_Generated_Image_qo5kz3qo5kz3qo5k.png) Setor Automotive Challenge A operação global acumulava crescimento contínuo de dados em nuvem sem governança suficiente sobre ciclo de vida, uso e descarte. O resultado era aumento de custo, complexidade operacional e queda de eficiência em projetos estratégicos. Results O projeto reduziu em 96% o volume armazenado, de 430 TB para 20 TB, gerou economia anual superior a R$ 500 mil em infraestrutura e levou a iniciativa ao Top 30 global de inovação da companhia. Framework de governança e eficiência de dados em GCP Framework de governança , Dados em GCP 96% Redução no volume de dados armazenados R$500K Economia real estimada em infraestrutura 430→20TB Transformação do ambiente em escala global Top30 Reconhecimento entre mais de 1.000 iniciativas ## “Nem todo dado armazenado preserva inteligência. Em muitos casos, ele só prolonga custo, atraso e complexidade. O ganho veio de tratar ciclo de vida com critério.” Diretor global de Dados e Arquitetura Indústria automotiva ![Gemini_Generated_Image_hdjn1fhdjn1fhdjn](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_hdjn1fhdjn1fhdjn.png?width=2752&height=1536&name=Gemini_Generated_Image_hdjn1fhdjn1fhdjn.png) ## Escala industrial exige disciplina de dados A operação pertence a uma indústria global com múltiplos fluxos de dados, projetos estratégicos e alta dependência de nuvem para sustentar jornadas críticas de negócio. Em um contexto assim, crescimento de storage não pode ser confundido com maturidade analítica. Quando a arquitetura acumula camadas legadas sem governança sobre retenção, descarte e utilidade real, o ambiente passa a consumir mais orçamento para sustentar passado do que para abrir espaço para o futuro. ## O peso invisível do legado  O problema central não era falta de infraestrutura. Era excesso de permanência. A operação já contava com uma arquitetura robusta em Google Cloud, resultado de ciclos anteriores de implementação. Ao longo do tempo, porém, essa base passou a crescer de forma desproporcional ao valor gerado. Dados temporários permaneciam além do necessário, estruturas obsoletas seguiam sendo mantidas e o data lake passou a concentrar não apenas informação útil, mas um volume crescente de ruído operacional. Esse cenário ganhava escala rapidamente. Com mais de 31 fontes de dados, 400 pipelines e 200 tabelas Gold, projetos estratégicos como Wings, Agenda e Tax apresentavam curvas de crescimento de storage incompatíveis com uma operação orientada à eficiência. A projeção para 2025 indicava um salto para 430 TB, pressionando orçamento de TI sem contrapartida proporcional em insight ou capacidade analítica. O impacto não era apenas financeiro. Quanto mais o ambiente crescia sem critério, mais tempo a engenharia gastava sustentando o legado, navegando estruturas inchadas e operando sobre um volume que dificultava extração de valor. O dado deixava de acelerar leitura e passava a atrasá-la. Na prática, o desafio não era ganhar mais espaço na nuvem. Era aplicar ciência à gestão do ciclo de vida do dado para que armazenamento deixasse de ser passivo e voltasse a ser infraestrutura útil ao negócio. ## Governar o que fica, arquivar o que pesa, eliminar o que sobra  A resposta não foi adicionar outra camada tecnológica. Foi devolver critério à permanência do dado. A MATH estruturou uma intervenção sobre o ciclo de vida da informação usando recursos nativos da própria Google Cloud Platform. Em vez de propor migrações complexas ou expansão de ferramentas, o projeto tratou o ambiente a partir da lógica mais decisiva para sua sustentabilidade: definir com precisão o que deveria continuar existindo, por quanto tempo e sob quais condições. A base da solução foi a implementação de políticas rigorosas de Object Lifecycle Management no Google Cloud Storage. Dados temporários sem uso por sete dias passaram a ser eliminados automaticamente. Dados inativos por trinta dias passaram a seguir rotas de arquivamento ou exclusão, conforme sua natureza e seu papel dentro do ecossistema. O desenho foi construído para operar em regime de governança contínua. Isso significa que a eficiência não dependia de mutirões periódicos de limpeza ou de ação manual da equipe para conter o crescimento. A arquitetura passou a se autogovernar. O custo deixou de escalar por inércia. Essa reorganização teve também efeito estrutural sobre o ecossistema. Ao reduzir o volume total armazenado, o ambiente ficou mais legível, menos exposto a complexidade desnecessária e mais eficiente para operar consultas, pipelines e rastreabilidade sobre o que realmente importa. Mais do que reduzir storage, o projeto redesenhou a relação entre dado e permanência. Em vez de armazenar por hábito, a operação passou a armazenar por valor. >  O ganho não veio de mover mais dados. Veio de decidir melhor quais dados ainda mereciam continuar existindo.  ## O que a operação recuperou ao perder volume  O primeiro resultado foi financeiro. Sem a intervenção, o custo anual projetado de infraestrutura chegaria a R$ 517 mil. Após a otimização, o novo patamar caiu para cerca de R$ 16 mil por ano, gerando saving real estimado em R$ 501 mil anuais. O segundo resultado foi de escala concreta. O ambiente saiu de uma projeção de 430 TB para um ecossistema muito mais enxuto, com 20 TB. Na prática, isso significou redução de 96% no volume armazenado e uma reversão drástica da lógica de crescimento que vinha se consolidando. O terceiro resultado apareceu no nível dos projetos. Em Wings, o custo mensal de storage caiu de US$ 3.600 para US$ 8 em apenas um mês. Em Agenda, a redução de volume chegou a 99%. Esses números mostram que a eficiência não ficou restrita a um ajuste genérico de infraestrutura. Ela atingiu diretamente iniciativas estratégicas com impacto financeiro imediato. O quarto resultado foi simbólico e operacional ao mesmo tempo. O case foi selecionado entre os Top 30 projetos globais da companhia, em um universo de mais de 1.000 iniciativas. Esse reconhecimento valida não apenas a economia gerada, mas a qualidade da engenharia aplicada para transformar sustentação em vantagem competitiva. Ao final, a operação deixou de investir energia excessiva em armazenar passado e recuperou margem para inovação, velocidade e clareza. ## Sua operação ainda cresce em storage mais rápido do que cresce em valor? [![Falar com a MATH](https://no-cache.hubspot.com/cta/default/21993063/interactive-195487063105.png) ](https://math.group/hs/cta/wi/redirect?encryptedPayload=AVxigLLctQcyWRWNvdakafzuIE4tKRIGCQIimgGhUft4vTuMaMwEqtr3Wn7Yxq2jYxFKkw1GJf8P8mUuwpmKw6JzH9us3t0PVLXNRCdjrSwtlEmYNaUN9z984OCbKNcA2WJYu3vyK3KIU63oJreMGZhesOUUSPqQtCtDB5Ol2Dj8&webInteractiveContentId=195487063105&portalId=21993063&hsLang=pt-br) ## Estudos de caso relacionados [![](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_hvm4ofhvm4ofhvm4.png?width=1376&height=1376&name=Gemini_Generated_Image_hvm4ofhvm4ofhvm4.png) Automotive ### Montadora global com operação de pós-venda em transformação ](https://math.group/cases-de-sucesso/servicos-moveis-automotivos-controle-sla-global?hsLang=pt-br) [![](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_brhkvobrhkvobrhk.png?width=2816&height=2816&name=Gemini_Generated_Image_brhkvobrhkvobrhk.png) Automotive ### Automação de compras com dados e eficiência operacional ](https://math.group/cases-de-sucesso/pricer-automacao-compras-volatilidade?hsLang=pt-br)