---
title: "Plataforma SaaS de otimização publicitária por IA Machine Learning - AdsPower"
description: "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"
locale: "pt"
canonical: "https://portfolio.josedacosta.info/pt/realizacoes/plateforme-publicitaire-machine-learning"
source: "https://portfolio.josedacosta.info/pt/realizacoes/plateforme-publicitaire-machine-learning.md"
html_source: "https://portfolio.josedacosta.info/pt/realizacoes/plateforme-publicitaire-machine-learning"
author: "José DA COSTA"
date: "2016"
type: "achievement"
slug: "plateforme-publicitaire-machine-learning"
tags: ["Symfony 3.2", "Angular 4/10", "TypeScript", "Azure ML Studio", "NLTK", "Google AdWords API", "Bing Ads API", "Facebook Ads SDK", "MySQL", "GitLab CI", "Vagrant", "Electron"]
generated_at: "2026-04-24T08:28:46.503Z"
---

# Plataforma SaaS de otimização publicitária por IA Machine Learning - 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

**Data:** Janeiro 2016 - Dezembro 2018  
**Duração:** 3 anos  
**Função:** Gerente de Projeto Técnico & Cofundador  
**Tecnologias:** Symfony 3.2, Angular 4/10, TypeScript, Azure ML Studio, NLTK, Google AdWords API, Bing Ads API, Facebook Ads SDK, MySQL, GitLab CI, Vagrant, Electron

## Apresentação do projeto

### O projeto em resumo

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

### Os 4 pilares do produto

### 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

### Contexto de mercado e técnico

### Desafios de negócio e técnicos

### Riscos identificados

### **Quotas Google AdWords API** : rate-limiting ou banimento se volume excessivo

### Risk2

**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

### Risk4

**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

- **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)

Objetivo de negócio : permitir que anunciantes do Google AdWords automatizem suas campanhas com IA, detectando palavras-chave com desempenho ruim e ajustando lances em tempo real. Contexto : mercado dominado pela Optmyzr (EUA) e Dolead (FR). Visávamos uma abordagem mais ML-first com scraping de SERP e classificação de intenção. Desafios : competir com plataformas estabelecidas, construir equipe produto/P&D, gerenciar dependência de APIs Google/Bing/Facebook. Riscos : cotas de API, quebras, concorrência, modelos de classificação imprecisos.

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 equipe 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.

## Abordagem ML & pipeline técnico

### Percurso cronológico em 4 fases

### 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)
- Redação do **caderno de encargos (60 páginas)** e produção de **40+ páginas de mockups** para Dashboard, Campaign Manager, Keywords, Opportunities, Quality Score, Reports e AI Insights
- Escolhas técnicas motivadas : **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** : escassez de freelancers ML em Bordeaux - resolvida por pesquisa GitHub geolocalizada em tags `machine-learning`

### Protótipo e v1 (abril-outubro de 2016, 7 meses)

- Sprint 0 : setup **Vagrant + Ubuntu 16.10**, GitLab self-hosted, CI/CD e primeiros bundles Symfony
- Desenvolvimento do **Data Collection Service** (conectores Google AdWords + Bing Ads)
- Construção do **SERP Scraper** (Goutte + CasperJS) cobrindo 6 motores (Google, Bing, Yahoo, Yandex, Baidu, DuckDuckGo)
- Pipeline NLP (NLTK + TF-IDF) em sidecar **Python Flask** + primeiros modelos **Azure ML Studio** (Bid Prediction + k-means)
- **Entrega v1 em novembro de 2016** com 3 primeiros beta-testers
- **Dificuldade superada** : volume SERP de 10M+ requisições/mês - resolvida por cache **Memcached** e fila **Redis**

### v2 e multi-plataforma (novembro de 2016 - junho de 2017, 8 meses)

- Retornos dos beta-testers → reformulação UX em **várias telas**
- Adição da cobertura **Facebook Ads SDK**
- Build **desktop Electron** (Mac / Windows / Linux) e **mobile Cordova** (iOS / Android)
- Integração **Google Prediction API** para segmentação de audiência
- **Dificuldade superada** : Google anunciou a migração AdWords API → **Google Ads API** no início de 2018 - reformulação completa de todos os conectores antecipada

### v3 Angular 10 e encerramento (julho de 2017 - dezembro de 2018)

- Migração **Angular 4 → 6 → 8 → 10** em 3 iterações maiores
- Estabilização e melhoria da accuracy dos modelos Azure ML
- Busca de clientes pagantes : **4 contratos assinados** em 18 meses (vs objetivo inicial de 20)
- Ciclo de venda B2B longo (**6 meses** em média), runway insuficiente para esperar a maturação do funil
- **Dezembro de 2018** : encerramento do projeto, orçamento esgotado

### Escolhas técnicas e métodos ML

### Fluxo de classificação

### Pipeline Machine Learning ponta a ponta

### Arquitetura aplicativa e serviços

- **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

Pipeline ML em três etapas : (1) Coleta de dados via APIs Google AdWords, Bing Ads e um SERP Scraper próprio construído com Goutte e CasperJS para recuperar resultados estruturados. (2) Processamento NLP com NLTK para tokenização, stemming, remoção de stop words e vetorização TF-IDF. (3) Modelos ML no Azure ML Studio : classificação supervisionada por Gradient Boosting, clustering não supervisionado por k-means, e Google Prediction API para segmentação de audiência. Arquitetura : Backend Symfony 3.2 com 4 bundles, frontend Angular 4 depois Angular 10 com Highcharts e Syncfusion. Infraestrutura : Vagrant Ubuntu 16.10, MySQL utf8mb4, Memcached, GitLab CI/CD, Electron desktop + Cordova mobile.

## Equipe & organização

### A equipe em números

### Meu papel e o recrutamento

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.

### Partes interessadas externas

### Dificuldades organizacionais superadas

### Rituais Scrum e pipeline CI/CD

- **3-4 beta-testers** (agências SEA francesas) : feedback semanal durante 18 meses, co-design dos workflows
- **4 clientes pagantes** assinados em 18 meses de atividade comercial
- **1 Business Angel** reunido em due-diligence (oferta finalmente declinada de nossa parte)
- **Parceiro Microsoft Azure ML team** : acesso em preview às novidades da plataforma
- **6 encontros com VCs em Paris** e 2 comitês de investimento 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

Equipe Scrum de 5 pessoas : 1 CEO/fundador, 1 CTO/cofundador técnico (meu papel : gerente de projeto técnico e cofundador), 2 desenvolvedores freelance backend/frontend, 1 designer UX. Organização : sprints de 2 semanas com Sprint Planning (Trello), desenvolvimento, code review (GitLab MR), deploy automático staging (GitLab CI), Sprint Review (demo), Retrospectiva. 18+ repositórios em 3 versões maiores. 40+ páginas de mockups. Coordenação diária e gestão externa de freelancers. Interações comerciais com primeiros beta-testers, feedback semanal.

### 5

Pessoas

### 18+

Repositórios

### 3

Versões maiores

### 40+

Páginas de maquetes

## Resultados & realizações

### Para a empresa : entregas e marcos

### Para mim : aprendizados e evolução

- **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 equipe 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

- **Primeira cofundação de startup tech** como **Chefe de projeto técnico & Cofundador (CTO)**, com pilotagem ponta a ponta (concepção, equipe, entrega, investidores)
- **Domínio operacional do papel de chefe de projeto técnico em early-stage** : divisão de sprints, estimativa, coordenação de freelancers, roadmap de produto negociado com o CEO
- **Expertise em Machine Learning aplicado** adquirida em condições reais : Azure ML Studio, NLTK, gradient boosting, k-means em produção
- **Condução de um eixo de R&D plurianual** : orçamento, recrutamento, priorização de produto, gestão de stakeholders investidores
- **Gestão de freelancers remotos** e gestão de turnover em 3 anos
- **Aprendizado concreto do product-market fit** : a excelência técnica sozinha não basta, a validação comercial deve preceder a construção
- **Compreensão dos ciclos B2B longos** (6 meses de venda média) e da importância do funil comercial vs R&D pura
- **Adoção definitiva da abordagem lean startup** em todas as minhas missões CTO / chefe de projeto técnico posteriores

Plataforma SaaS funcional em produção com campanhas gerenciadas automaticamente. Provas de conceito validadas para classificação de intenção de busca e detecção de palavras-chave negativas. Aplicações multi-plataforma : web SPA Angular, desktop Electron, mobile Cordova. Pipeline ML operacional com Azure ML Studio. Integração com Google AdWords, Bing Ads, Facebook Ads APIs. Pessoalmente : primeira experiência de cofundação de startup tech, gestão de equipe técnica e P&D em ML aplicado ao marketing digital.

## Desfecho do projeto

### Fim da aventura e estado do projeto

### Futuro imediato (2018-2019, pós-encerramento)

### À distância (2019-2022)

### Hoje (2026)

- 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

- **Projeto encerrado**, nenhuma retomada ou pivot previsto
- **Capturas de tela e mockups** servem hoje como portfólio (ver galeria abaixo)

O projeto encerrou no final de 2018 após 3 anos. A startup não encontrou product-market fit para levantar fundos significativos. Aprendizados : restrições regulatórias rígidas de APIs Google/Facebook, competição feroz no mercado US, dificuldade de diferenciar produto técnico contra players estabelecidos. Essas lições alimentaram projetos posteriores (Groupe Pichet, depois ACCENSEO).

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**.

## Reflexão crítica

### Pontos positivos

### Pontos de melhoria

### O que eu faria diferente

### Lições duráveis que guardei

- **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
- **Equipe 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.

Pontos fortes : arquitetura técnica moderna para a época, equipe motivada, abordagem ML-first diferenciada. Pontos fracos : sobreinvestimento técnico antes da validação de product-market fit, dependência excessiva de APIs de terceiros, falta de força comercial para enfrentar Optmyzr e Dolead. Lições : validar o mercado antes de sobre-construir. Uma startup tech não sobrevive sem tração comercial. Priorizar POCs rápidos em vez de plataformas completas antes de ter os primeiros clientes pagantes. Este projeto foi uma escola de lucidez empreendedora que me serviu na ACCENSEO posteriormente.

### Contexto adicional

- Voltar às realizações
- Janeiro 2016 - Dezembro 2018
- 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
- Abordagem ML & pipeline técnico
- Equipe & organização
- Resultados & realizações
- Desfecho do projeto
- Reflexão crítica
- Exemplo concreto : classificação de intenções de busca
- **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.

## Competências aplicadas

_Competências técnicas e humanas aplicadas_

- **Liderança e Gestão de Equipes** - Co-fundação de startup como CTO, gestão de equipe de 4 freelancers para o desenvolvimento de plataforma ML
- **Adaptabilidade e Agilidade de Aprendizagem** - Aprendizado autodidata de NLP, classificação ML e Azure ML Studio para construir uma plataforma de inteligência publicitária
- **Gestão de Projetos** - Pilotagem de 3 iterações principais de produto em menos de um ano como Technical Project Manager
- **Desenvolvimento Full-Stack** - Plataforma full-stack com backend Symfony 3.2, frontend Angular 4/10 e pipelines ML
- **Resolução de Problemas e Pensamento Crítico** - Algoritmos de classificação de intenção de busca e otimização de lances usando TF-IDF e clustering k-means
- **REST API Design** - Integração das APIs Google AdWords, Bing Ads e Facebook Ads para gestão de campanhas multi-plataforma

## Trajetória relacionada

_Experiência profissional ligada a esta realização_

- **AdsPower - Cofundador & Technical Project Manager** - Startup early-stage construindo uma plataforma SaaS de otimização de campanhas publicitárias por inteligência artificial. O produto utilizava machine learning para classificar comportamentos de usuários, prever a probabilidade de conversão e otimizar automaticamente os lances com base na taxa de conversão.
Como gerente de projeto técnico, condução de ponta a ponta: escopo funcional e técnico, planejamento, coordenação de uma equipe de 4 freelancers e acompanhamento da entrega do MVP.

## 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**