Technical Project Manager · Co-founder · Early-Stage Startup
AdsPower
Startup bootstrapped, sem financiamento externo. Equipe de 1 a 5 pessoas conforme as fases do projeto.
Varios papeis assumidos simultaneamente, principalmente Technical Project Manager: visão do produto, arquitetura, desenvolvimento, recrutamento, gestão de projeto.
Corrida ao MVP antes do esgotamento do caixa, decisões rapidas com informação incompleta, iterações constantes.
Startup early-stage construindo uma plataforma SaaS de otimização de campanhas publicitárias por inteligência artificial. O produto utilizava machine learning para classificar comportamentos de usuarios, 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.
Como Technical Project Manager e cofundador, conduzi o projeto da concepção a entrega. Meu papel principal era o escopo técnico e a coordenação: definição do escopo funcional, planejamento de sprints, arbitragens técnicas, acompanhamento de qualidade e prazos.
Recrutei e gerenciei uma equipe de 4 desenvolvedores freelancers, com funcionamento em Scrum: atribuição de tarefas, revisão de código, facilitação dos sprints e resolução de bloqueios técnicos.
Em paralelo ao gerenciamento de projeto, contribui diretamente no código dos módulos críticos (arquitetura backend, integração das APIs publicitárias, pipelines ML) - um posicionamento híbrido gestão + técnico típico de startups early-stage.
- Escopo técnico e redação de especificações: tradução das necessidades de negócio em specs funcionais e técnicas, caderno de encargos, modelo de dados (Skipper ORM Designer), análise competitiva (Optmyzr, Dolead)
- Planejamento e acompanhamento da entrega: definição do roadmap do produto, divisão em sprints, estimativa de carga, acompanhamento de progresso e gestão de dependências entre módulos (backend, frontend, ML, APIs)
- Gestão de riscos e dependências externas: monitoramento de cotas da API AdWords, antecipação de breaking changes, plano de contingência para serviços terceiros (Google Prediction API, Azure ML), resolução de bloqueios técnicos entre módulos
- Pilotagem da P&D em inteligência artificial: definição dos objetivos ML, supervisão da construção dos pipelines de classificação (Azure ML, NLTK, TF-IDF, k-means) para classificar intenções de busca e otimizar lances pela taxa de conversão
- Integração das APIs publicitárias (Google AdWords, Bing Ads, Facebook Ads): escopo das restrições técnicas, coordenação do desenvolvimento dos conectores de importação/exportação e relatórios
- Concepção da arquitetura técnica: backend Symfony multi-bundles, frontend Angular SPA, API RESTful com JWT, pipelines ML implantados como serviços REST
- Implantação da cadeia CI/CD (GitLab CI): deploy automático em staging, release manual em produção, definição dos critérios de qualidade (testes, cobertura ML)
- Produção da documentação completa do projeto: caderno de encargos, especificações técnicas detalhadas, especificações funcionais (back-office, front-office privado, front-office público), modelo de dados, estudo de mercado
Recrutamento de 4 desenvolvedores freelancers (especialistas ReactJS, Angular) na região de Bordeaux, identificados via pesquisa no GitHub. Cada freelancer tinha um escopo definido (módulos frontend, integrações de API, testes) com entregas claras por sprint.
- Entregar um MVP funcional dentro dos prazos e orçamento de uma startup bootstrapped
- Validar a abordagem de otimização por IA com dados publicitários reais antes do esgotamento do caixa
- Construir uma arquitetura escalável suportando múltiplas plataformas publicitárias (Google, Bing, Facebook)
- Recrutar, estruturar e coordenar uma equipe de 4 freelancers em torno de práticas Agile Scrum
Metodologia Agile
Trabalho organizado em Scrum adaptado ao contexto de startup: sprints de 2 semanas gerenciados no Trello, daily stand-ups remotos, sprint reviews com demos do produto, retrospectivas para ajustar o processo. Backlog priorizado por impacto de negócio e viabilidade técnica - a regra: se uma feature não aproxima do MVP, não entra no sprint.
Priorização & escopo do MVP
Decisões de escopo guiadas por um princípio simples: entregar o mínimo que válida a hipótese de negócio. Cada feature candidata passava por um filtro de 3 perguntas - ajuda a fechar o primeiro cliente? Reduz um risco técnico bloqueante? Pode esperar a v2? Essa disciplina permitiu entregar 3 versões maiores do backend em menos de um ano.
Arbitragens técnicas
Arbitragens permanentes entre velocidade e qualidade. Escolha de uma arquitetura Symfony multi-bundles em vez de um monolito - mais demorado para configurar, mas essencial para distribuir o trabalho entre freelancers. Por outro lado, escolha deliberada do Angular Material com componentes Syncfusion pre-prontos em vez de design customizado - economia de 2 meses de desenvolvimento frontend.
KPIs de acompanhamento
Acompanhamento da velocidade por sprint (story points entregues), taxa de conclusão dos sprints, bugs críticos em staging, cobertura de testes automatizados nos módulos ML e time-to-deploy (do branch da feature ao staging acessível).
AdsPower era uma plataforma SaaS construída em torno do machine learning para otimizar campanhas publicitárias online (Google AdWords, Bing Ads, Facebook Ads).
O conceito central: ingerir milhares de pontos de dados de campanhas - palavras-chave, lances, quality scores, taxas de clique, dados de conversão - alimenta-los em modelos de classificação ML e produzir recomendações de otimização acionaveis. A plataforma treinava modelos para prever preços de lances ótimos, identificar clusters de palavras-chave de alto desempenho, detectar palavras-chave negativas que drenavam orçamentos e recomendar melhorias de anuncios baseadas em padrões de desempenho históricos. O projeto foi diretamente inspirado pela Optmyzr e pela Dolead (plataforma francesa de performance marketing), ambas analisadas em profundidade durante nossa pesquisa competitiva - seu código-fonte, funcionalidades e abordagens técnicas foram estudados para construir um produto competitivo.
3
APIs publicitarias
6
Módulos de otimização
3
Plataformas alvo
18+
Repositórios de código
Técnicas de machine learning implementadas para otimização de campanhas AdWords, inspiradas nas abordagens da Optmyzr e Dolead.
- Aprendizado supervisionado com modelos de classificação (gradient boosting, regressão logística, árvores de decisão) treinados em datasets rotulados de campanhas via Azure Machine Learning Studio para prever os componentes do Quality Score: CTR esperado, relevância do anuncio e experiência da página de destino
- Fluxo completo de aprendizado supervisionado no Azure ML: ingestão de dados dos exports da API AdWords, engenharia de features (tipo de correspondência, dispositivo, geo, hora, dia, posição, CTR histórico), treinamento de modelos com validação cruzada, ajuste de hiperparametros, avaliação de precisão (precisão, recall, F1) e deploy de modelos treinados como serviços web REST
- Motor de otimização de lances usando modelos de classificação treinados para prever a probabilidade de conversão por palavra-chave e contexto de leilão, produzindo preços de lances recomendados para posicionamentos primeira página, topo de página e primeira posição
- Pipeline de Processamento de Linguagem Natural (NLP) com NLTK: tokenização, stemming, remoção de stop words e vetorização TF-IDF dos dados de palavras-chave e consultas de pesquisa para extrair features semânticas para os modelos ML
- Aprendizado não supervisionado com clustering k-means aplicado aos vetores TF-IDF para agrupar palavras-chave por intenção de busca, descobrir oportunidades de palavras-chave de cauda longa e detectar automaticamente palavras-chave negativas drenando orçamentos publicitários
- Segmentação de audiência por classificação supervisionada em dados demográficos (idade, gênero) e padrões comportamentais via Google Prediction API para direcionar grupos de anuncios com mais precisão
- Scraping multi-motores de busca (Google, Bing, Yahoo, Yandex, Baidu, DuckDuckGo) para coletar dados de inteligência competitiva e alimenta-los nos modelos de otimização como features de treinamento adicionais
O problema: no Google AdWords, os anunciantes compram palavras-chave em correspondência ampla (broad match). O Google então aciona anuncios em consultas de pesquisa que considera semelhantes, mas que muitas vezes não têm nada a ver com a intenção comercial da campanha. Um anunciante vendendo "suprimentos de TI profissionais" pode ver seu orçamento consumido por visitantes procurando "cursos de informatica gratuitos" ou "conserto de PC a domicilio" - cliques pagos que nunca converterão.
A solução ML: o sistema fazia scraping dos resultados de pesquisa Google (SERP) para cada palavra-chave comprada, analisava o tipo de resultados exibidos (resultados de shopping, fichas de produto, artigos informativos, forums..) e extraia a classificação temática e a intenção de busca (transacional, informacional, navegacional). Esses sinais, combinados com dados históricos de desempenho (CTR, taxa de conversão, custo), 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 de pesquisa do visitante como pertinente ou não pertinente em relação ao objetivo comercial da campanha. Palavras-chave identificadas como falsos positivos eram automaticamente sugeridas como palavras-chave negativas para exclusão da campanha. Sem esse sistema, era impossivel detectar sistematicamente os gastos desperdiçados em intenções de usuario fora do alvo.
Este e apenas um exemplo entre os muitos algoritmos de otimização construidos na plataforma.
Este projeto foi uma experiência formativa em machine learning. Azure ML Studio serviu como meu campo de treinamento para aprendizado supervisionado: aprendi a preparar datasets rotulados a partir de exportações brutas de campanhas AdWords, a projetar features significativas, a selecionar e comparar algoritmos de classificação (regressão logística para interpretabilidade, gradient boosting para precisão, árvores de decisão para explicabilidade), a treinar modelos com splits de validação cruzada, a avaliar resultados com matrizes de confusão e scores F1, e a implantar modelos prontos para produção como endpoints de API.
Em paralelo, construi competências práticas em NLP via NLTK - entender como transformar texto bruto (palavras-chave, consultas de pesquisa, textos de anuncios) em vetores numéricos via TF-IDF, e como aplicar clustering k-means não supervisionado para descobrir padrões em dados de palavras-chave que nenhum humano conseguiria identificar manualmente. Essa combinação de classificação supervisionada (predição de preços de lances, quality scores) e clustering não supervisionado (agrupamento de palavras-chave, segmentação de audiências) me deu uma base sólida em machine learning aplicado que vai muito além da teoria.
Backend & Framework
Frontend & SPA
Machine Learning & NLP
APIs publicitarias
Visualização de dados
Infraestrutura & CI/CD
API & Segurança
- Uso pioneiro do Machine Learning Azure para otimização publicitária por IA
- Condução de esforcos significativos em P&D em inteligência artificial para gestão de campanhas publicitárias
- Construção de uma aplicação multiplataforma : web (Firebase), desktop (Electron para Mac/Win/Linux) e mobile (Cordova para iOS/Android)
- Concepção e documentação de um modelo de dados completo cobrindo os ecossistemas Google AdWords, Bing Ads e Facebook Ads
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 de otimização, mas sem tração comercial o orçamento se esgotou.
- Excelência técnica sozinha não faz um negócio viável. Um bom produto sem clientes pagantes continua sendo um projeto de P&D. A validação comercial deve avancar no mesmo ritmo que o desenvolvimento.
- O timing importa tanto quanto a execução. O angulo de IA aplicada a publicidade estava a frente do mercado em 2016 - tornando o projeto visionário, mas também mais difícil de vender para anunciantes ainda não familiarizados com machine learning.
- Validar o mercado antes de construir o produto. Tempo demais investido em P&D técnico (multiplataforma, 3 APIs publicitárias, ML avancado) e insuficiente em validação comercial com clientes pagantes reais.
- A capacidade de iterar rápido e um ativo duradouro. 3 versões maiores do backend em menos de um ano, migração do Angular 4 para o Angular 10, reformulação do pipeline ML - essa disciplina de entrega rápida se tornou um reflexo permanente na minha carreira.
AdsPower e o projeto que me imergiu em machine learning e IA. E a experiência que transformou minha visão de desenvolvimento: de um desenvolvedor full-stack clássico para um perfil capaz de projetar, treinar e implantar modelos de machine learning em problematicas de negócio concretas.
O projeto era ambicioso - provavelmente demais para uma startup bootstrapped - mas forjou minha compreensão de como o ML pode resolver problemas de negócio reais. O angulo de IA estava adiantado em 2016, tornando o projeto visionário mas também mais difícil de vender.
O que mais levo comigo: a disciplina de iterar rápido e o conhecimento prático profundo de machine learning que carrego até hoje.
7 Competência técnica · 5 Competência humana
Competência técnica
Concepção de algoritmos de machine learning para otimização publicitária e targeting preditivo.
Gestão de projetos com componentes de IA, coordenação entre data science e desenvolvimento.
Análise de dados publicitários para orientar decisões estratégicas e otimizar campanhas.
Desenvolvimento da plataforma publicitária, frontend e backend, integração das APIs publicitárias.
Concepção da arquitetura técnica da plataforma AdsPower.
Implementação da infraestrutura técnica, deploys e automação.
Integração das APIs das redes publicitárias (Google Ads, Facebook Ads) e concepção de APIs internas.
Competência humana
Cofundação e codireção da startup, recrutamento e gestão da equipe técnica.
Gestão de sprints de desenvolvimento, priorização de funcionalidades, roadmap de produto.
Implementação de práticas ágeis na equipe de desenvolvimento.
Resolução de problematicas ML/IA complexas em contexto de startup com recursos limitados.
Rápida evolução em machine learning e algoritmos preditivos.
