Da primeira conversa até o modelo rodando em produção, cada etapa tem prazo definido, entrega concreta e aprovação sua antes de avançar. Sem surpresas no meio do caminho.
O tempo total varia entre 6 e 14 semanas. Projetos menores (como um chatbot de triagem) ficam mais perto de 6; projetos com múltiplas fontes de dados e integração a sistemas legados tendem a 14.
Começamos com uma reunião de 90 minutos onde mapeamos o problema de negócio, as fontes de dados disponíveis e os sistemas que já estão em uso. Não pedimos acesso aos dados nessa fase, apenas entendemos o formato, o volume e a frequência de atualização. No final, entregamos um documento de escopo com objetivos mensuráveis, critérios de sucesso e estimativa de investimento. Você aprova, ajusta ou descarta antes de gastar um centavo com desenvolvimento.
Conectamos às suas fontes via APIs seguras ou exportações programadas. Limpamos registros duplicados, tratamos valores ausentes e padronizamos formatos. Esse trabalho consome cerca de 40% do tempo total do projeto, e com razão: um modelo treinado com dados sujos gera previsões ruins. Documentamos cada transformação num caderno técnico acessível à sua equipe de TI.
Antes de treinar qualquer modelo, investigamos os dados em busca de padrões, outliers e correlações que possam influenciar os resultados. Geramos visualizações claras e as apresentamos numa reunião de 60 minutos. Essa etapa já trouxe descobertas valiosas para clientes: uma distribuidora de alimentos descobriu que 12% dos pedidos vinham de um único vendedor que inflava quantidades para bater meta, distorcendo toda a previsão de demanda.
Testamos entre três e cinco algoritmos diferentes, comparando métricas como precisão, recall e F1-score. Não escolhemos o modelo mais sofisticado por padrão; escolhemos o que melhor equilibra acurácia e custo computacional para o seu cenário. Um gradient boosting que roda em milissegundos pode ser mais útil do que uma rede neural profunda que exige GPU dedicada, dependendo do volume de inferências por dia.
O modelo aprovado passa por validação cruzada com dados que ele nunca viu durante o treinamento. Simulamos cenários extremos: picos de demanda, dados incompletos, mudanças sazonais. Só avançamos quando o desempenho em dados de teste atinge os critérios definidos no documento de escopo. Se não atingir, voltamos à etapa anterior e ajustamos features ou experimentamos outra abordagem. Transparência total: você recebe os números, não apenas um "está pronto".
Empacotamos o modelo numa API containerizada (Docker) e fazemos o deploy no ambiente que você preferir: AWS, Google Cloud, Azure ou servidor próprio. Configuramos alertas automáticos para detectar drift (quando o modelo começa a perder precisão porque os dados do mundo real mudaram). Nos primeiros 30 dias após o deploy, acompanhamos o desempenho diariamente e fazemos ajustes sem custo adicional.
Não prometemos mágica. Prometemos método, documentação e resultados verificáveis.
Todo o código-fonte desenvolvido durante o projeto pertence a você. Entregamos repositório Git organizado, com README, instruções de instalação e testes automatizados. Se quiser trocar de fornecedor no futuro, basta clonar o repositório e seguir em frente.
A cada duas semanas, apresentamos o que foi feito, o que está pendente e quais decisões precisam da sua equipe. Gravamos as reuniões e compartilhamos as anotações num documento colaborativo. Nada fica implícito.
Depois do deploy, oferecemos três meses de suporte técnico incluído no valor do projeto. Isso cobre correção de bugs, ajustes de parâmetros e retreinamento do modelo caso os dados mudem significativamente. Após esse período, oferecemos contratos de manutenção mensais.
Projetos com escopo bem definido têm preço fechado. Projetos exploratórios, onde o escopo pode mudar conforme descobrimos os dados, funcionam por sprints de duas semanas com valor fixo por sprint. Você decide quando parar.
As dúvidas que ouvimos com mais frequência nas primeiras reuniões.
Não. Cerca de 60% dos nossos clientes não têm cientistas de dados no quadro. Precisamos apenas de alguém que conheça o negócio e os dados (geralmente um analista ou gerente de operações) para validar hipóteses e aprovar entregas. Cuidamos de toda a parte técnica.
Assinamos NDA antes de acessar qualquer dado. Trabalhamos em ambientes isolados (VPNs dedicadas ou instâncias dentro da sua própria nuvem). Dados de produção nunca saem do seu ambiente sem anonimização prévia. Para clientes do setor de saúde, seguimos as diretrizes da LGPD e boas práticas de pseudonimização recomendadas pela ANPD.
Definimos metas de desempenho no documento de escopo. Se, após duas rodadas de ajuste, o modelo não alcançar essas metas, interrompemos o projeto e cobramos apenas pelas horas efetivamente trabalhadas até aquele ponto. Isso aconteceu em dois projetos desde 2019, ambos por limitações severas na qualidade dos dados de origem. Em um deles, redirecionamos o trabalho para um projeto de limpeza de dados que, seis meses depois, viabilizou o modelo original.
Usamos Python como linguagem principal (scikit-learn, PyTorch, XGBoost) e SQL para manipulação de dados. Se a sua empresa já tem infraestrutura em R, Spark ou Databricks, nos adaptamos. O importante é que a solução funcione no seu ambiente, não no nosso.
Projetos de diagnóstico e análise exploratória partem de R$ 18.000. Projetos completos, do diagnóstico ao deploy, ficam entre R$ 45.000 e R$ 180.000 dependendo da complexidade. Enviamos uma proposta detalhada com escopo, cronograma e valor após a reunião de diagnóstico, sem compromisso.