Se você trabalha com marketing e vendas, já deve ter visto termos como ETL, data lake e data warehouse em reunião, em proposta de fornecedor ou na conversa com o time de dados (TI). Este glossário traduz cada um deles para a linguagem da sua rotina: o que o termo significa, onde ele aparece no seu dia a dia e qual decisão ele afeta. E adiantamos a conclusão: você não precisa dominar essa terminologia para ter uma operação de dados robusta ao seu alcance.
Por que esses termos chegam até você
Esses nomes vêm da engenharia de dados e descrevem as camadas entre a informação bruta e o relatório que você abre. Entender o papel de cada camada ajuda você a avaliar propostas e a conversar de igual para igual com o time técnico, sem escrever uma linha de código.
Os termos, traduzidos
ETL
ETL é o processo de extrair o dado de onde ele nasce, transformar para um formato padronizado e carregar no destino onde será analisado. A sigla vem do inglês: extract, transform, load. No seu dia a dia, é o que acontece quando o gasto do Meta Ads, os leads do CRM e as visitas do site precisam sair de três ferramentas e chegar juntos no mesmo relatório. Se o ETL falha ou atrasa, o número da reunião fica desatualizado. A decisão que ele afeta: confiar ou não no dado que está na tela agora.
Data lake
Um data lake é um repositório que guarda dados brutos, no formato original, sem organização prévia. Pense em um depósito onde tudo entra do jeito que chegou: planilhas, registros de sistema, arquivos de texto. Ele é útil para empresas que guardam volumes enormes de informação para usos futuros. Para responder qual campanha gerou cliente, porém, o dado bruto sozinho não ajuda, porque ainda falta organizá-lo. A decisão que ele afeta: quanto a empresa quer investir em guardar dado antes de saber o uso.
Data warehouse
Um data warehouse é um banco analítico onde o dado já entra organizado, estruturado em tabelas, pronto para consulta. É a versão arrumada do depósito. É nele que times de dados constroem as bases que alimentam painéis de BI. Montar e manter um warehouse exige modelagem, código e gente dedicada, e é por isso que a pergunta simples do marketing costuma entrar numa fila. A decisão que ele afeta: quando montar um data warehouse próprio compensa ou contratar uma solução que já entrega essa camada pronta.
Pipeline de dados
Pipeline é o caminho automatizado que o dado percorre da origem até o destino, com o ETL rodando dentro dele. Quando alguém diz que “o pipeline quebrou”, significa que alguma etapa desse caminho parou e o dado deixou de chegar. O sintoma que você percebe é o relatório congelado na semana passada. A decisão que ele afeta: quem você aciona quando o número para de atualizar.
Modelagem
Modelagem é o trabalho de definir como os dados se relacionam: o que é um lead, o que é uma campanha, como um evento se conecta a uma venda. É a etapa mais invisível e mais demorada de um projeto de dados, porque cada empresa modela do zero. Sem modelagem, o warehouse é só um monte de tabelas que não conversam. A decisão que ela afeta: o prazo real do projeto, que costuma ser contado em meses quando a modelagem começa do zero.
Camada de consumo
Camada de consumo é onde você finalmente vê o dado: o dashboard, o relatório, a resposta do agente de IA. É a ponta visível de todo o caminho anterior. Quando alguém compara ferramentas de visualização, está comparando só essa camada. O erro comum é escolher a camada de consumo antes de resolver as anteriores, e o resultado é um painel bonito mostrando dado mal coletado. A decisão que ela afeta: em que ordem investir.
O que você precisa dominar (e o que pode delegar)
O que você precisa dominar é a pergunta de negócio: qual canal gera cliente, quanto custa cada etapa do funil, quem está pronto para comprar. As camadas técnicas existem para servir a essas perguntas, e não o contrário. Se a conversa com um fornecedor exige que você aprenda a terminologia antes de ver valor, esse é um sinal de que a solução foi desenhada para o time técnico, e não para você.
Aqui entra a diferença de partir de um modelo de dados pronto. Na Laiki, lead, empresa, evento, campanha, campo de CRM e etapa de funil já nascem como conceitos do produto. A extração e a padronização acontecem de forma automática quando você conecta as suas ferramentas, e a etapa de modelagem do zero simplesmente não existe para a camada de marketing e vendas. Você pergunta qual campanha gerou cliente e a resposta sai, sem precisar saber o que é ETL. Se a sua empresa já tem um warehouse rodando para finanças ou produto, as duas estruturas convivem: cuidamos da jornada do lead, do clique até a venda, que é a camada que mais dá trabalho de modelar.
Perguntas frequentes
Preciso de um data warehouse para fazer marketing orientado a dados?
Não necessariamente. Você precisa de dados organizados e confiáveis. O warehouse é um dos caminhos para isso, com custo e prazo de projeto de engenharia. Uma plataforma vertical de marketing e vendas entrega a mesma camada organizada em dias, sem time técnico.
Qual a diferença entre data lake e data warehouse?
O data lake guarda o dado bruto, sem organização prévia. O data warehouse guarda o dado já estruturado e pronto para consulta. Na prática, o lake serve para armazenar em volume e o warehouse serve para analisar.
ETL e integração são a mesma coisa?
Estão próximos. Integração é conectar dois sistemas; ETL é o processo completo de extrair, padronizar e entregar o dado no destino de análise. Toda operação de ETL envolve integração, mas nem toda integração faz a transformação do dado.
Quer sair do vocabulário e ir para a prática? Baixe o Playbook de Gestão de Dados da Laiki, com nomenclatura de campanha, valores de origem e o checklist de integração prontos para aplicar na sua operação.
