root@construct:~/projects/nike$
<-- voltar para /projects
Ilustração: tênis sem marca e quadros de imagem em esteiras, seguindo para uma parede de peças criativas

Nike Asset Library e AutoCrop

Tecnologia de marketing para as campanhas globais da Nike

ReactTypeScriptPythonAWS Step FunctionsEventBridgeDynamoDB
Passe o mouse ou foque uma peça: ela acende com as ligações.
quem usaAWSserviços externos2 Asset Library1 Marketing e criação3 Painéis de gestão5 Render final7 Ingestão em passos4 AutoCrop11 Modelo generativo6 Conversor do Figma9 Barramento de eventos12 Figma8 Canal em tempo real10 Dados do workflow
12 peças9 ligações4 áreas

>Contexto

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.

>Arquitetura (HLD)

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.

Componentes

  • Asset Library :: Construí como único engenheiro: é onde os times acham e distribuem mais de 16 milhões de assets digitais.
  • Painéis de gestão :: Painéis em React e Next.js que os times de marketing usam para gerenciar mais de 5 milhões de imagens por semana.
  • AutoCrop :: Serviço de GenAI que gera os recortes de imagem de cada formato de mídia e tira do designer o recorte manual.
  • Workflow de ingestão :: Workflow orientado a eventos na AWS (Step Functions, EventBridge, DynamoDB, WebSockets), em vários passos com enriquecimento, cada um idempotente, com retentativa e recuperação de falha.
  • Conversor do Figma :: Puxa os templates de auto-layout pela Figma API e os transforma no modelo interno usado da ingestão até o render final.
  • Render final :: Serviço de flattening que gera a saída final de cada formato (editorial, site, campanha, header) com a tipografia certa.
  • Monorepo e CI :: Monorepo Nx com cache do grafo de tarefas e builds incrementais, que cortaram 92% dos minutos de build no CI.

>Trade-offs

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.

>Destaques

  • >16M+ assets digitais na Asset Library, que construí como único engenheiro
  • >+461% na descoberta de assets com a Asset Library
  • >-44% no preparo dos designers com o AutoCrop: de 6,4h para 3,6h por entrega de campanha
  • >-80% no tempo para produzir a arte das campanhas, com o pipeline de assets com GenAI que liderei
  • >Painéis em React/Next.js para gerenciar 5M+ imagens por semana
  • >-92% em minutos de build no CI do monorepo Nx
Nike Asset Library e AutoCrop | The Broad Way | Kinho.dev