Plataforma SaaS de otimização publicitária por IA Machine Learning (alias AdsPower)
Plataforma SaaS de otimização publicitária por inteligência artificial e Machine Learning : classificação de intenção de busca por NLP, lances automatizados e detecção de palavras-chave negativas no Google AdWords, Bing Ads e Facebook Ads
Apresentação do projeto
AdsPower era uma startup early-stage construindo uma plataforma SaaS de otimização de campanhas publicitárias por inteligência artificial. O conceito central : ingerir milhares de pontos de dados de campanhas - palavras-chave, lances, quality scores, taxas de clique, dados de conversão - e alimentá-los em modelos de classificação supervisionada treinados no Azure Machine Learning Studio para produzir recomendações de otimização acionáveis.
Concretamente, os modelos aprendiam a classificar comportamentos de usuários, analisar a intenção de busca via SERPs do Google, prever os preços de lance ótimos, identificar os clusters de palavras-chave performantes, detectar as palavras-chave negativas que drenavam os orçamentos, e recomendar melhorias de anúncios baseadas nos padrões de performance históricos - o conjunto resultando na otimização automática dos lances com base na taxa de conversão.
O projeto foi diretamente inspirado pela Optmyzr e pela Dolead, ambas analisadas em profundidade durante nossa pesquisa competitiva.
Objetivos, Contexto & Riscos
Otimização por IA
Classificar intenções de busca e prever a probabilidade de conversão por palavra-chave via modelos de classificação supervisionada
Lances automatizados
Otimizar automaticamente os lances com base na taxa de conversão real
Detecção de palavras-chave negativas
Identificar e excluir automaticamente palavras-chave que drenam orçamento sem conversão via clustering semântico
Quality Score
Prever e melhorar o Quality Score via análise do CTR esperado, relevância dos anúncios e experiência da landing page
Em 2016, o AdTech SEA era dominado pela Optmyzr nos EUA e pela Dolead na França, ambas baseadas em motores de recomendações essencialmente heurísticos. O Azure Machine Learning Studio saiu de preview pública em 2015 e abriu uma via gerenciada para industrializar modelos supervisionados sem infraestrutura. A équipe se apoiava em 2 cofundadores : 1 CEO/fundador business e eu mesmo como Chefe de projeto técnico & Cofundador (CTO), pilotando a concepção de produto, a arquitetura aplicativa, a R&D de Machine Learning e a interface com investidores.
- Técnico : industrializar o Azure ML em produção com latências < 500 ms nas recomendações de lance
- Regulatório : respeitar quotas e TOS da API Google AdWords - risco de banimento em caso de excesso
- Diferenciação : abordagem ML-first (vs heurística das plataformas estabelecidas no mercado)
- Sobrevivência : validar o PMF (Product-Market Fit - adequação produto/mercado) antes de esgotar o runway (caixa restante antes do fim do financiamento - 18-24 meses máximo sem rodada)
- Quotas Google AdWords API : rate-limiting ou banimento se volume excessivo
- Breaking changes na API : Google modifica regularmente TOS e schemas (confirmado pela migração AdWords -> Google Ads no início de 2018)
- Modelos imprecisos : accuracy < 80 % = perda de confiança do cliente
- Vendor lock-in do Azure ML Studio : plataforma Microsoft ainda jovem na época
- Raridade das competências ML na região de Bordeaux em 2017
- Runway limitado : startup bootstrapped sem investidor externo
As etapas - O que eu fiz
Fase 1
Pesquisa e concepção (janeiro-março de 2016, 3 meses)
- •Como chefe de projeto técnico & cofundador, conduzi a análise concorrencial aprofundada da Optmyzr e da Dolead (features, pricing, posicionamento)
- •Redigi o caderno de encargos (60 páginas) e produzi 40+ páginas de mockups para Dashboard, Campaign Manager, Keywords, Opportunities, Quality Score, Reports e AI Insights
- •No lado das escolhas técnicas, decidi: Angular em vez de React (maturidade TypeScript 2016), Symfony 3.2 para Doctrine ORM e bundles, Azure ML Studio pelo time-to-market, NLTK em vez de spaCy pelo suporte multi-idioma
- •Dificuldade superada : diante da escassez de freelancers ML em Bordeaux, fiz sourcing via pesquisa GitHub geolocalizada nos tags `machine-learning`
Fase 2
Protótipo e v1 (abril-outubro de 2016, 7 meses)
- •No sprint 0, montei Vagrant + Ubuntu 16.10, um GitLab self-hosted, a CI/CD e os primeiros bundles Symfony
- •Desenvolvi o Data Collection Service (conectores Google AdWords + Bing Ads)
- •No lado da inteligência competitiva, construí o SERP Scraper (Goutte + CasperJS) cobrindo 6 motores (Google, Bing, Yahoo, Yandex, Baidu, DuckDuckGo)
- •Para o pipeline NLP, montei um sidecar Python Flask (NLTK + TF-IDF) e os primeiros modelos Azure ML Studio (Bid Prediction + k-means)
- •Em novembro de 2016, entreguei a v1 com os 3 primeiros beta-testers
- •Dificuldade superada : para absorver os 10M+ requisições SERP/mês, instalei um cache Memcached e uma fila Redis
Fase 3
v2 e multi-plataforma (novembro de 2016 - junho de 2017, 8 meses)
- •Após os retornos dos beta-testers, refiz a UX em várias telas
- •Adicionei a cobertura Facebook Ads SDK
- •No lado da distribuição, produzi os builds desktop Electron (Mac / Windows / Linux) e mobile Cordova (iOS / Android)
- •Para a segmentação de audiência, integrei a Google Prediction API
- •Dificuldade superada : diante do anúncio do Google sobre a migração AdWords API → Google Ads API no início de 2018, antecipei a reformulação completa de todos os conectores
Fase 4
v3 Angular 10 e encerramento (julho de 2017 - dezembro de 2018)
- •Migrei Angular 4 → 6 → 8 → 10 em 3 iterações maiores
- •No lado dos modelos, estabilizei e melhorei a accuracy dos modelos Azure ML
- •No plano comercial, assinei 4 contratos pagantes em 18 meses (vs objetivo inicial de 20)
- •Vivi um ciclo de venda B2B longo (6 meses em média), com runway insuficiente para aguardar a maturação do funil
- •Em dezembro de 2018, tivemos de encerrar o projeto, orçamento esgotado
- Aprendizado supervisionado (gradient boosting, regressão logística, árvores de decisão) treinados no Azure ML Studio para prever os componentes do Quality Score
- Pipeline NLP com NLTK: tokenização, stemming, remoção de stop words e vetorização TF-IDF de palavras-chave e consultas de pesquisa
- Clustering k-means aplicado aos vetores TF-IDF para agrupar palavras-chave por intenção de busca e detectar palavras-chave negativas
- Segmentação de audiência por classificação supervisionada em dados demográficos (idade, gênero) via Google Prediction API
- Scraping multi-motores (Google, Bing, Yahoo, Yandex, Baidu, DuckDuckGo) para coletar dados de inteligência competitiva
O problema : no Google AdWords, os anunciantes compram palavras-chave em correspondência ampla (broad match). O Google então aciona anúncios em consultas de pesquisa que considera semelhantes, mas que muitas vezes não têm nada a ver com a intenção comercial da campanha.
A solução ML : o sistema fazia scraping dos resultados de pesquisa Google (SERP) para cada palavra-chave comprada, analisava o tipo de resultados exibidos e extraía a classificação temática e a intenção de busca (transacional, informacional, navegacional). Esses sinais eram vetorizados via TF-IDF e injetados em um modelo de classificação supervisionada (gradient boosting no Azure ML).
O resultado : o modelo classificava cada consulta como pertinente ou não pertinente. Palavras-chave identificadas como falsos positivos eram automaticamente sugeridas como palavras-chave negativas.
Este é apenas um exemplo entre os muitos algoritmos de otimização construídos na plataforma.
Fluxo de classificação
Com quem interagi - Équipe & ecossistema
5
Pessoas
18+
Repositórios
3
Versões maiores
40+
Páginas de maquetes
Como Chefe de projeto técnico & Cofundador (CTO), conduzi todo o projeto da concepção à entrega : arquitetura aplicativa, R&D Machine Learning, pilotagem dos sprints, gestão de prestadores e interface com investidores. Coordenação de 4 prestadores externos (2 desenvolvedores full-stack Angular/Symfony, 1 freelancer ML/data Python, 1 UX designer) identificados via pesquisa GitHub na região de Bordeaux.
- 3-4 beta-testers (agências SEA francesas) : organizei feedback semanal durante 18 meses e co-desenhei os workflows com eles
- 4 clientes pagantes que assinei em 18 meses de atividade comercial
- 1 Business Angel reunido em due-diligence - após análise, declinamos a oferta
- Équipe Microsoft Azure ML : mantive uma parceria que me deu acesso em preview às novidades da plataforma
- 6 encontros com VCs em Paris e 2 comitês de investimento que conduzi para o pré-seed
- Coordenação à distância (freelancers em Bordeaux, Paris, Toulouse) via Trello + Slack + vídeo conferência semanal
- Divergência de roadmap CEO vs chefe de projeto técnico : o CEO empurrava vendas + novas features, eu empurrava estabilidade + accuracy dos modelos - resolvida por 1-1 semanais e backlog priorizado em conjunto
Resultados & realizações
- Primeira cofundação de startup tech : assumi o papel de Chefe de projeto técnico & Cofundador (CTO) e conduzi ponta a ponta (concepção, équipe, entrega, investidores)
- Chapéu de chefe de projeto técnico em early-stage : dominei o desmembramento de sprints, a estimativa, a coordenação de freelancers e a roadmap de produto negociada com o CEO
- Machine Learning aplicado : adquiri em condições reais a expertise Azure ML Studio, NLTK, gradient boosting e k-means em produção
- Eixo de R&D plurianual : conduzi orçamento, recrutamento, priorização de produto e gestão de stakeholders investidores
- No lado da équipe remota, gerenciei freelancers remotos e o turnover em 3 anos
- Product-market fit : aprendi concretamente que a excelência técnica sozinha não basta - a validação comercial deve preceder a construção
- Ciclos B2B longos : vivi um ciclo de venda médio de 6 meses e medi a importância do funil comercial vs P&D pura
- Este projeto mudou minha forma de trabalhar : adotei definitivamente a abordagem lean startup em todas as minhas missões CTO / chefe de projeto técnico posteriores
- Primeira plataforma SaaS francesa a industrializar Azure ML Studio em produção para AdTech, desde 2016 - bem antes da generalização dos modelos preditivos na publicidade digital
- Entrega contínua durante 3 anos com uma équipe estável de 4 prestadores, um orçamento controlado até o esgotamento do runway e um produto funcional em produção do sprint 1 até o encerramento
- Construção de aplicação multiplataforma: web (Firebase), desktop (Electron para Mac/Win/Linux) e mobile (Cordova para iOS/Android)
- Concepção e documentação de modelo de dados completo cobrindo os ecossistemas Google AdWords, Bing Ads e Facebook Ads
- 3 versões maiores do backend em menos de um ano, com migração do Angular 4 para o Angular 10
- Documentação completa do projeto: caderno de encargos, 4 specs funcionais, specs técnicas, modelo de dados, estudo de mercado
Desfecho do projeto
O projeto foi finalmente abandonado por falta de recursos financeiros. O custo de P&D era alto demais para uma startup bootstrapped sem financiamento externo. O produto funcionava, os modelos produziam recomendações reais, mas sem tração comercial o orçamento se esgotou.
- •Encerramento do desenvolvimento em dezembro de 2018 e congelamento dos ambientes de produção
- •Retorno aos beta-testers com solução de transição para Optmyzr (migração acompanhada)
- •4 clientes ativos acompanhados manualmente durante 3 meses após o encerramento
- •Documentação completa arquivada (caderno de encargos, specs, modelo de dados, estudo de mercado) para eventual pivot futuro
- •Liberação dos 4 prestadores : todos encontram novas missões no mês seguinte
- •Retornos de experiência dados em escola de desenvolvimento em Bordeaux (compartilhamento sobre product-market fit e industrialização Azure ML)
- •Convergência do mercado AdTech : OpenAI GPT (2020-2022) redistribui as cartas, os modelos ML clássicos são largamente superados pelos LLMs
- •Projeto encerrado, nenhuma retomada ou pivot previsto
- •Capturas de tela e mockups servem hoje como portfólio (ver galeria abaixo)
Meu olhar crítico
- Rigor técnico : arquitetura DDD limpa, bundles Symfony modulares, testes e CI/CD desde o dia 0 - mantido como padrão pessoal desde então
- Escolha ML estratégica : industrializar o Azure ML Studio era a aposta certa em 2016 (time-to-market + escalabilidade gerenciada)
- Multi-plataforma muito avant-garde : desktop + mobile + web com uma codebase Angular unificada em 2016
- Documentação exaustiva : caderno de encargos, specs, modelo de dados, estudo de mercado
- Validação comercial tardia demais : construção da v1 completa antes de confrontação com 3 prospects pagantes
- Dependência do Azure ML Studio : vendor lock-in considerado tarde demais
- Équipe técnica demais : sem perfil growth / marketing fixo, tudo repousava sobre o CEO
- Primeiro vender, depois construir : 3 MOUs assinados antes de qualquer sprint de desenvolvimento
- MVP minúsculo : 1 única feature ML (detecção de palavras-chave negativas), testada 6 meses antes de ampliar o escopo
- ML open-source : scikit-learn + FastAPI em vez de Azure ML Studio, para evitar vendor lock-in
- Recrutar um 3º cofundador growth / marketing para equilibrar o trio técnico/negócio/aquisição
- Formalizar mais cedo o papel de chefe de projeto técnico com um board de pilotagem compartilhado com o CEO, para evitar divergências silenciosas sobre as prioridades
- Excelência técnica sozinha não faz um negócio viável. Um bom produto sem clientes pagantes continua sendo um projeto de P&D.
- O timing importa tanto quanto a execução. O ângulo de IA aplicada à publicidade estava adiantado em 2016 - tornando o projeto visionário mas mais difícil de vender.
- Validar o mercado antes de construir o produto. Tempo demais investido em P&D técnico e insuficiente em validação comercial.
- A capacidade de iterar rápido é um ativo duradouro - essa disciplina de entrega regular se tornou um reflexo permanente em todos os meus projetos seguintes.
Trajetória relacionada
Experiência profissional ligada a está realização
Competências aplicadas
Competências técnicas e humanas aplicadas
Competências técnicas
Competências humanas
Lideranca & Gestao de Equipe
Co-fundação de startup como CTO, gestão de equipe de 4 freelancers para o desenvolvimento de plataforma ML
Pilotagem de Projeto & Metodologias Ageis
Pilotagem de 3 iterações principais de produto em menos de um ano como Technical Project Manager
Resolucao de Problemas & Adaptabilidade
Aprendizado autodidata de NLP, classificação ML e Azure ML Studio para construir uma plataforma de inteligência publicitária, Algoritmos de classificação de intenção de busca e otimização de lances usando TF-IDF e clustering k-means
Galeria de imagens
Capturas e visuais do projeto
Você tem um projeto SaaS propulsionado por IA, LLMs ou Machine Learning ?
Hoje atuo em projetos SaaS propulsionados por IA e LLMs : RAG, fine-tuning, agentes autônomos, orquestração multi-modelos, onde se trata de transformar um fluxo de dados bruto em recomendações acionáveis. Esse know-how se apoia em um alicerce mais antigo de Machine Learning clássico - industrializado no AdsPower com NLP (NLTK + TF-IDF), classificação supervisionada (gradient boosting) e clustering k-means, integrado a várias APIs externas (Google AdWords, Bing Ads, Facebook Ads) em uma plataforma SaaS multi-plataforma. Se você explora um projeto SaaS em torno da IA, dos LLMs ou do Machine Learning, vamos conversar sobre seu contexto.
Entrar em contato