De setembro de 2024 a agosto de 2026 fui Senior Software Engineer de Marketing Technology na Nike, como contratado. O trabalho era dar aos times de marketing e de criação da Nike, no mundo todo, ferramentas para guardar, achar, preparar e publicar os assets das campanhas. Esses sistemas atendem centenas de campanhas.
Construí a Asset Library como único engenheiro. Ela é a base de descoberta e distribuição de mais de 16 milhões de assets digitais, e a descoberta de assets subiu 461% com ela.
Também construí o AutoCrop, um serviço de GenAI que gera recortes de imagem para cada formato de mídia. O preparo de uma entrega de campanha caiu de 6,4h para 3,6h por designer. E automatizei a geração de peças a partir do auto-layout do Figma, com a tipografia certa em cada formato.
Liderei o front end de dois squads de Marketing Technology e cuidei do app React/TypeScript que eles dividiam: arquitetura, padrões de UI e padrões de code review.
AWS: workflow de ingestão orientado a eventos. AWS Step Functions orquestra a ingestão em vários passos, com enriquecimento; cada passo é idempotente, com retentativa e recuperação de falha. Amazon EventBridge como barramento de eventos. Amazon DynamoDB guarda os dados do workflow. Um canal em tempo real via WebSockets.
Serviços de aplicação: Asset Library, para descoberta e distribuição de assets. Painéis de gestão em React e Next.js. AutoCrop, serviço de GenAI que gera os recortes de imagem de cada formato de mídia. Conversor do Figma, que transforma os templates de auto-layout no modelo interno usado da ingestão até o render final. Render final, serviço de flattening que gera a saída de cada formato (editorial, site, campanha, header) com a tipografia certa. O pipeline de assets com GenAI é escrito em TypeScript/Node e Python.
Serviços externos: Figma (templates de auto-layout, via Figma API). Modelo generativo (GenAI).
Build e CI: monorepo Nx com cache do grafo de tarefas e builds incrementais.
Times de marketing e criação → Asset Library: busca e distribuição de assets.
Times de marketing e criação → Painéis de gestão: gestão de imagens pelo app React/Next.js.
Times de marketing e criação → AutoCrop: pedidos de recorte por formato de mídia.
AutoCrop → Modelo generativo: chamada de GenAI que gera os recortes de imagem de cada formato de mídia.
EventBridge → Step Functions: eventos disparam o workflow de ingestão em vários passos.
Step Functions → DynamoDB: dados do workflow.
Step Functions → canal WebSockets: canal em tempo real.
Figma → Conversor do Figma: templates de auto-layout puxados pela Figma API.
Conversor do Figma → Render final: o modelo interno vai para o serviço de flattening, que gera cada formato.
Todo passo da ingestão é idempotente, com retentativa e recuperação de falha.
Alternativa descartada: Passos que rodam uma vez e contam que nada falhe no meio.
Por quê: Num sistema orientado a eventos, qualquer passo pode rodar duas vezes. Sob a carga das campanhas globais, um passo que parou no meio tem que poder rodar de novo com segurança.
Um único modelo interno, convertido do auto-layout do Figma e usado da ingestão até o render final.
Alternativa descartada: Montar cada formato da peça a partir do arquivo do Figma, um por um.
Por quê: Com um só modelo, o sistema gera todas as variações de formato (editorial, site, campanha, header) com a tipografia certa.
Cache do grafo de tarefas e builds incrementais no monorepo Nx.
Alternativa descartada: Build completo do monorepo a cada mudança.
Por quê: Cortou 92% dos minutos de build no CI.