O custo do ruído em escala
O problema central não era falta de dados. Era excesso de ingestão sem governança.
Com centenas de squads implementando eventos ao longo do tempo, a operação passou a acumular uma massa crescente de coletas fora da taxonomia oficial, com baixa rastreabilidade sobre o que havia sido planejado, alterado ou replicado. Parte significativa desse volume não gerava utilidade prática para o negócio, mas seguia sendo armazenada, processada e consultada como se tivesse valor equivalente ao restante da base.
Esse desenho produzia três efeitos simultâneos. O primeiro era financeiro. O uso de Google Cloud Platform crescia impulsionado por ingestão desnecessária e processamento de dados sem retorno claro. O segundo era analítico. No GA4, excesso de cardinalidade e eventos mal estruturados ampliavam sampling e faziam informações relevantes serem agrupadas em categorias genéricas, reduzindo a capacidade de leitura das áreas de negócio. O terceiro era operacional. Consultas se tornavam mais lentas, o tempo de processamento aumentava e a engenharia gastava mais energia navegando uma base inflada do que operando sobre sinais de valor real.
Na prática, a operação pagava mais caro para enxergar menos. O gargalo não estava em capturar pouco. Estava em capturar demais sem distinção entre informação útil e ruído.
Auditar, comparar, bloquear
A resposta foi tratar governança da coleta como engenharia de valor.
A MATH estruturou o Event Scanner para comparar, de forma automatizada, duas camadas que raramente se mantêm alinhadas em operações complexas: o mapa de coleta planejado e o dado efetivamente ingerido. Em vez de depender de higienização manual ou revisão pontual por amostragem, o projeto criou uma lógica contínua de auditoria para detectar desvios de taxonomia, excesso de cardinalidade e eventos sem utilidade de negócio.
A primeira frente foi a auditoria automatizada. O sistema passou a confrontar o planejado com o real e identificar discrepâncias de implementação, com foco especial em eventos fora de padrão, parâmetros instáveis e estruturas que ampliavam ruído sem gerar leitura mais inteligente da jornada.
A segunda frente foi a aplicação de IA para catalogação e reconhecimento de padrões. Em jornadas mais complexas, a revisão puramente humana não era suficiente para capturar variações infinitas de parâmetros, especialmente em casos de URLs dinâmicas, nomes variáveis e comportamentos que escapavam das regras mais visíveis. A IA foi usada para ampliar a capacidade de inspeção e encontrar anomalias com mais precisão.
A terceira frente foi preventiva. Em vez de apenas limpar o dado depois da ingestão, a arquitetura evoluiu para uma lógica de bloqueio na origem. Eventos fora da taxonomia passaram a ser identificados antes de se converterem em custo recorrente de armazenamento, processamento e degradação analítica. Isso mudou o papel da governança: de remediação para prevenção.
O projeto também reforçou a atuação centralizada da equipe de martech como guardiã da qualidade da coleta, consolidando ownership sobre a taxonomia e preparando o ecossistema para crescer com menos ruído e mais aderência a futuras camadas de inteligência.
O ganho não veio de coletar mais. Veio de provar o que não deveria mais ser coletado.
O que saiu da base, o que voltou para o negócio
O primeiro resultado foi financeiro. A identificação dos cinco eventos fora de taxonomia com maior volume já permitiu projetar economia anual de R$ 500 mil. Esse dado é relevante porque mostra que parte importante do custo não estava em toda a arquitetura, mas em poucos ofensores recorrentes com alto impacto sobre a infraestrutura.
O segundo resultado foi de performance. Com a eliminação do excesso, a operação reduziu entre 25% e 30% o tempo de processamento e consulta. Isso significa que a mesma infraestrutura passou a entregar resposta mais rápida, com menos latência operacional e menos desperdício de capacidade computacional.
O terceiro resultado foi analítico. Ao remover eventos inúteis e parâmetros que inflavam cardinalidade, o ambiente recuperou precisão. O GA4 deixou de sofrer com o mesmo nível de sampling e com agrupamentos genéricos que escondiam comportamento relevante em categorias como “Others”. A leitura do negócio voltou a operar com mais nitidez.
O quarto resultado foi estrutural. A descoberta de que 60% dos dados ingeridos funcionavam como ruído mudou a lógica da operação. A coleta passou a ser tratada menos como acúmulo e mais como escolha. Isso cria uma base mais sustentável para analytics, martech e futuras integrações com IA.
O valor do projeto não esteve apenas na limpeza do presente. Esteve na criação de uma disciplina operacional capaz de impedir que o excesso continue voltando.
