o histórico completo de cada pessoa.

dream data · inteligência de dados da dream factory

Arquitetura e produto para conectar os dados dos eventos da Dream Factory.

proposta inicial outubro 2026 role para explorar
01 · oportunidade

o ativo já existe. falta conectar o contexto.

Os eventos da Dream Factory já produzem uma base rica: inscrições, compras e respostas de formulário acumuladas edição após edição.

O que falta é ligar cada registro à pessoa certa, com um vocabulário comum entre as fontes — sem perder a origem de nenhum dado.

139 tabelas Fontes e relações que precisam de um vocabulário comum.
552.294 registros de participantes A mesma pessoa pode aparecer em vários eventos.
3,84 mi respostas de formulários Perguntas diferentes guardam informações valiosas.

Fonte: profiling offline do dump GoDream de 08/10/2026. Registros não equivalem a pessoas únicas.

02 · pessoas

uma identidade. diferentes papéis.

O documento real normalizado resolve a pessoa. Cada papel preserva seu contexto.

participante

Inscrição por edição.
Presença exige evidência própria.

pessoa

ID interno estável
Documento único

cliente

Compra confirmada.
Pode comprar para terceiros.

lead

Contato elegível para ativação, com origem e finalidade.

  • participante é um papel da pessoa
  • cliente é um papel da pessoa
  • lead é um papel da pessoa
03 · evidências de mercado

receita: resultados publicados de bases integradas.

Cada gráfico tem base 100 calculada a partir do crescimento relatado. Os recortes são distintos.

ibm cloud

+70%

Receita no recorte do case em três meses

Dados padronizados em 150 produtos

shiseido

+20%

Receita em loja por membro do programa de fidelidade

Ofertas pessoais a partir de perfis integrados

Casos de fornecedores. Não demonstram causalidade isolada e não são previsão de retorno para a Dream Data.

salesforce · data cloud

salesforce conecta eventos, navegação e crm.

+60%

Aumento relatado em receita de leads de marketing e valor contratual por lead.

Aplicação à Dream: reconhecer o mesmo público entre eventos e orientar a próxima oferta.

eventos
navegação
crm
perfil
unificado
  • eventos alimentam o perfil unificado
  • navegação alimenta o perfil unificado
  • CRM alimenta o perfil unificado

Fonte: Salesforce, case de uso interno do Data Cloud. Receita de leads e valor contratual por lead, não receita corporativa total.

04 · arquitetura

arquitetura modular do sistema.

MySQL como proposta inicial. Módulos independentes, com origem e versão em cada transformação.

01

fontes

  • GoDream: a cada hora
  • Credenciamento: sazonal
  • Todo Mundo no Rio: sazonal
02

ingestão

  • Contratos por fonte
  • Histórico de cargas
  • Reprocessamento seguro
03

base central

  • Pessoa e documento
  • Eventos e inscrições
  • Comércio e respostas
04

uso dos dados

  • API interna e dashboard
  • IA e conceitos revisados
  • RD Station por seleção

Qualidade, finalidade de uso e rastreabilidade acompanham todas as etapas.

05 · banco de dados

modelo relacional central.

  • PK chave primária
  • FK chave estrangeira
  • UK unicidade
  • relações principais do esboço lógico

pessoa

PK pessoa_id
nome / nascimento

edição

PK edição_id
evento / ano / contexto

pedido

PK pedido_id
FK comprador_pessoa_id
FK edição_id / valores

documento

PK documento_id
FK pessoa_id
UK tipo + país + valor

inscrição

PK inscrição_id
FK pessoa_id / edição_id
FK item_id (opcional)

item de pedido

PK item_id
FK pedido_id
quantidade / preço

  • pessoa 1:N pedido (comprador)
  • pessoa 1:N documento
  • pessoa 1:N inscrição
  • edição 1:N inscrição
  • edição 1:N pedido
  • pedido 1:N item de pedido
  • inscrição N:1 item de pedido

Cortesias e inscrições sem pedido continuam no modelo. Valores comerciais permanecem no grão do pedido.

06 · protótipo

primeiro esboço do produto.

Uma visão integrada de pessoas, compras e inscrições ao longo do tempo.

dream factory / dream data

conheça as pessoas por trás dos eventos.

Uma visão integrada de pessoas, compras e inscrições ao longo do tempo.

primeiro esboço · discovery

dados ilustrativos — todos os números, pessoas, eventos e bancos abaixo são exemplos de apresentação.

pessoas únicas no recorte8identidade por documento
clientes com compra confirmada5comprador pode ser outro participante
inscrições vigentes17inclui cortesias válidas
recorrência entre edições63%pessoas em duas ou mais edições

histórico de inscrições por edição

inscrições vigentes · valores do conjunto fictício selecionado

perfil agregado para bancos

pagamentos elegíveis de cartão · exemplos de emissores
  • Banco A50%
  • Banco B25%
  • Banco C25%
  • Desconhecido0%

Exemplo: um pagamento de cartão por cliente elegível no recorte (4 registros). Emissor observado não indica banco principal. Sem evidência de cartão fica fora deste denominador.

Dados inteiramente ilustrativos. Filtros por ano, evento, fonte, papel, documento e nascimento.

07 · qualidade

como refinar a base sem perder a evidência.

Cada atributo preserva o valor original, a origem, a atualidade e os conflitos.

  1. recebido

    Fonte, ID original e lote da carga

  2. normalizado

    Documentos, datas e opções válidas

  3. identificado

    Documento único e conflitos visíveis

  4. contextualizado

    Edição, inscrição e papel correto

  5. elegível

    Finalidade, seleção e revisão da ativação

Cortesia zero permanece válida. Nome repetido gera investigação, nunca exclusão automática.

Reconciliação por pedido: trocas, upgrades, cancelamentos e reembolsos evitam dupla contagem.

08 · inteligência semântica

ia para interpretar formulários diferentes.

Sugestões estruturadas passam por validação e revisão antes de entrar no catálogo.

perguntas de origem

“Qual marca de tênis você usa?”

“Qual marca pretende comprar?”

api de ia

conceito + contexto
+ justificativa em JSON

conceitos distintos

Uso declarado de marca

Intenção de compra de marca

exemplo ilustrativo · sugestão estruturada aguardando revisão

    

Regras locais validam a estrutura. O revisor confirma o significado. A versão registra a decisão.

09 · apis

integrações candidatas e o dado que acrescentam.

Propostas para o piloto. Escolha de fornecedor depende de cobertura, custo, finalidade e avaliação.

  1. BIN de cartão

    Banco e bandeira observados

    Versão e cobertura. Seis dígitos podem deixar o emissor desconhecido.

  2. Twilio Lookup

    Formato e tipo de linha

    Validar cobertura brasileira. A consulta não comprova titularidade.

  3. RD Station

    Contato elegível e conversões

    Resultados retornam ao recorte para avaliar campanhas.

  4. Gateway de IA

    Conceitos e sugestões revisadas

    Vertex AI ou Claude. Minimização, versão, custo e trilha de revisão.

10 · novos usos

oportunidades para o “megabrain” da dream.

  • próximo evento provável

    Histórico e interesses declarados orientam recomendações.

  • dossiê de patrocinador

    Público agregado, recorrência, banco observado e cobertura.

  • perguntas mais úteis

    O catálogo identifica lacunas e melhora a coleta futura.

  • copiloto de descoberta

    Consultas explicam filtros, definições e fontes das métricas.

Corredores na orla do Rio ao pôr do sol, com linhas de conexão sobrepostas
imagem conceitual gerada com IA
11 · execução

piloto com entregas verificáveis.

Prazos e metas serão definidos após o baseline e a validação das fontes.

  1. 01

    fundação

    Identidade e regras comerciais fechadas

    Duas edições GoDream
  2. 02

    primeira entrega

    Histórico de pessoa e perfis de bancos

    Valores reconciliados
  3. 03

    evolução

    GoDream horária e importação sazonal

    Painel de qualidade
  4. 04

    teste de valor

    Campanha elegível com grupo de controle

    Receita incremental
próximo passo

vamos conectar o contexto?

Baseline, validação das fontes e as duas primeiras edições GoDream no modelo.