Toda empresa que cresce em dados passa pelo mesmo dilema: começar simples ou começar certo. A boa notícia é que dá para fazer os dois, desde que a arquitetura nasça em camadas.
A camada raw guarda o dado exatamente como veio da origem, sem transformação e com histórico. Ela existe para permitir reprocessamento: quando uma regra muda, você reconstrói tudo sem depender do sistema fonte.
A camada staging padroniza. Tipos, nomes, fusos horários, deduplicação e chaves de negócio. É aqui que a bagunça dos sistemas legados vira algo previsível — e onde os testes automatizados de qualidade devem viver.
A camada de marts é dimensional e orientada ao consumo. Fatos e dimensões pensados para perguntas de negócio, não para a estrutura do sistema de origem. Um mart bem modelado é o que faz o BI parar de dar respostas divergentes.
Na prática usamos BigQuery como motor e dbt como camada de transformação e documentação. Cada modelo tem teste, descrição e linhagem — isso reduz drasticamente o tempo de onboarding de novos analistas.
Custos: particionamento por data e clusterização pelas colunas mais filtradas costumam derrubar a fatura em ordens de grandeza. Materialize apenas o que é consultado com frequência e mantenha o resto como view.
Governança não é um projeto separado. Controle de acesso por camada, catálogo alimentado automaticamente e política clara de dados sensíveis desde o primeiro modelo evitam a refatoração dolorosa dois anos depois.