A migração de data warehouse é a troca da plataforma onde a empresa guarda e consulta os dados analíticos: sair de um Teradata, Oracle, SQL Server ou Netezza instalado no próprio datacenter (ou de uma nuvem que já não serve) para BigQuery, Snowflake, Redshift, Databricks ou Microsoft Fabric. Não é só copiar tabelas. Junto com os dados vão o modelo, as procedures, as cargas noturnas, as permissões e, principalmente, a confiança de quem abre o relatório de fechamento todo mês e espera ver o mesmo número de antes.
Quando dá errado, raramente é por causa da cópia dos dados. O que derruba o projeto é o inventário incompleto (a procedure que ninguém lembrava que alimentava o relatório da diretoria), a conversão de SQL subestimada e a falta de um critério claro para dizer "o número novo bate com o antigo". Este guia explica quando a migração compensa, como escolher entre os caminhos possíveis, o que as ferramentas dos próprios fornecedores automatizam, como organizar as ondas de migração, como validar os dados e como desligar o ambiente antigo sem susto.
Quando migrar o data warehouse faz sentido
Ninguém migra um data warehouse por gosto. É um projeto de meses, que mexe em tudo que depende de dados, e só compensa quando o ambiente atual custa mais do que a mudança. Os gatilhos mais comuns são estes:
- Fim de contrato ou de suporte. A renovação da licença ou do hardware do appliance chega com um valor que obriga a comparar alternativas.
- Limite de capacidade. As cargas noturnas já não terminam antes do expediente, as consultas concorrem entre si no fechamento e escalar significa comprar mais máquina.
- Dados que não cabem no modelo. Logs, eventos, arquivos e dados semiestruturados ficam de fora porque o warehouse atual não foi feito para eles, e cada área monta o próprio lago paralelo.
- IA e analytics avançado. Projetos de machine learning e de IA generativa precisam de dados acessíveis em escala, com governança, e o ambiente antigo vira gargalo.
- Dependência de poucas pessoas. O conhecimento do ambiente está na cabeça de um ou dois profissionais, a documentação é antiga e qualquer mudança vira risco.
Se nenhum desses pontos dói hoje, talvez o melhor investimento seja organizar o que existe: documentar, criar testes e melhorar o modelo. Uma migração feita só porque "todo mundo está indo para a nuvem" tende a levar os mesmos problemas para uma plataforma mais cara por consulta. Antes de decidir, vale entender em que nível de maturidade de dados a empresa está e o que impede o próximo passo.
Os caminhos possíveis: lift and shift, replataforma ou redesenho
Há três formas de conduzir a migração, e a escolha define prazo, custo e quanto valor novo sai do projeto. Elas não são exclusivas: é comum migrar a maior parte em replataforma e redesenhar só os domínios que mais doem.
| Caminho | O que muda | Prazo relativo | Quando escolher |
|---|---|---|---|
| Lift and shift | Só a plataforma; modelo, SQL e cargas ficam como estão, convertidos o mínimo possível | Menor | Prazo de contrato apertado, ambiente bem modelado, pouca dívida técnica |
| Replataforma | Plataforma e tecnologia de carga; o modelo é mantido, mas o SQL é adaptado e as cargas são reescritas em ferramentas nativas | Médio | O caso mais comum: aproveita o modelo que o negócio conhece e moderniza a operação |
| Redesenho | Modelo, camadas e ferramentas; a migração vira a chance de rever a arquitetura (camadas bronze, prata e ouro, lakehouse, dbt) | Maior | Modelo atual não atende, muitas fontes novas, dívida técnica alta |
O lift and shift parece o mais barato, mas cobra a conta depois: um modelo pensado para um appliance com índices e particionamento próprios pode ficar lento e caro numa plataforma que cobra por dado lido. O redesenho entrega mais, mas aumenta o risco de o projeto se arrastar sem nada em produção. Por isso a regra prática é migrar em ondas, com valor visível a cada uma, e reservar o redesenho para onde ele se paga.
A escolha do destino vem junto. BigQuery, Snowflake e Redshift têm modelos de cobrança e de operação diferentes, e o comparativo BigQuery, Redshift ou Snowflake detalha os critérios.
O que as ferramentas de migração automatizam (e o que não)
Os fornecedores de nuvem oferecem ferramentas próprias para reduzir o trabalho manual de conversão. Elas aceleram bastante a parte repetitiva, mas nenhuma promete converter tudo sozinha. Vale conhecer o que cada uma declara na documentação oficial:
- Google BigQuery. O tradutor de SQL em lote do BigQuery Migration Service traduz scripts de outros dialetos para GoogleSQL em massa. A tradução de metadados, que gera o DDL a partir de arquivos extraídos com a ferramenta
dwh-migration-dumper, aparece como recurso em preview, e o relatório de tradução lista avisos e erros para revisão. - Snowflake. O SnowConvert AI converte código de Teradata, Oracle, SQL Server, Redshift, Azure Synapse e outras plataformas para Snowflake SQL. Para a maioria das origens cobre tabelas, views, procedures e funções; para várias outras, só tabelas e views. A documentação marca migração de dados apenas para SQL Server e Redshift.
- Amazon Redshift. O AWS Schema Conversion Tool converte schemas de Teradata, Oracle, Netezza, Greenplum, Vertica, SQL Server, Snowflake, BigQuery e Azure Synapse para Redshift, além de scripts de carga do Teradata. O que não converte automaticamente vem com orientação, e há agentes de extração para mover os dados.
- Databricks. O Lakebridge, da Databricks Labs, cobre avaliação (Profiler e Analyzer), transpilação de SQL e de parte das orquestrações e reconciliação, que confere se os dados no Databricks batem com a origem.
- Microsoft Fabric. O Migration Assistant do Fabric Data Warehouse migra metadados de Azure Synapse dedicated SQL pool e SQL Server (Teradata em preview), guia a correção dos objetos que falharam e usa um copy job do Data Factory para os dados. A própria documentação avisa que não há compatibilidade total de T-SQL entre origem e destino.
O padrão se repete: a ferramenta converte o grosso, gera um relatório do que não conseguiu e deixa para o time os casos difíceis. São justamente esses casos que consomem o cronograma: procedures com lógica de negócio escondida, funções sem equivalente no destino, tipos de dado que mudam de precisão, cargas que dependem de agendadores antigos. Uma boa estimativa de esforço começa rodando a avaliação da ferramenta sobre o código real, não sobre uma amostra.
O que fica fora de qualquer ferramenta
Nenhuma ferramenta decide quais tabelas ainda são usadas, quem é dono de cada indicador ou qual relatório pode ser desligado. Também não resolve integração com ERP, regras de segurança por área nem o acordo com o negócio sobre quando o ambiente antigo sai. Essa parte é gestão de projeto e conhecimento do negócio, e costuma ser metade do trabalho.
Como planejar a migração de data warehouse em etapas
Uma migração previsível segue um roteiro parecido, independentemente da plataforma de destino. O que muda é o peso de cada etapa.
1. Inventário e uso real
Liste tudo que existe no ambiente atual: bancos, schemas, tabelas, views, procedures, cargas, agendamentos, usuários e as ferramentas que consomem os dados (Power BI, Qlik, planilhas conectadas, APIs). Depois cruze com o uso real, a partir dos logs de consulta. É comum descobrir que uma parte relevante das tabelas não é lida há meses. O que ninguém usa não migra: é arquivado e documentado.
2. Priorização por domínio
Agrupe os objetos por domínio de negócio (financeiro, vendas, suprimentos, RH) e defina a ordem das ondas. Um bom primeiro domínio tem valor visível, complexidade média e um usuário-chave disposto a validar. Começar pelo mais crítico aumenta o risco; começar pelo mais trivial não prova nada.
3. Arquitetura de destino
Defina camadas, convenções de nome, particionamento, modelo de segurança, ferramenta de transformação e orquestração antes da primeira tabela migrada. Mudar convenção no meio do projeto custa retrabalho em tudo que já foi feito. Também é o momento de definir como o custo vai ser acompanhado, já que a cobrança por consulta ou por crédito muda a forma de modelar.
4. Conversão e cargas
Rode a ferramenta de conversão, trate os itens que ela não resolveu e reescreva as cargas no destino. Cargas novas devem nascer com testes e versionamento. Se a empresa ainda não tem acordos explícitos sobre o formato dos dados entre produtores e consumidores, a migração é uma boa hora para introduzir contratos de dados, que evitam que uma mudança de schema na origem quebre o warehouse novo em silêncio.
5. Validação e paralelo
Cada domínio roda em paralelo (origem e destino recebendo as mesmas cargas) até os números baterem pelos critérios combinados com o negócio. É a etapa que dá segurança para a virada, e merece uma seção própria.
6. Virada e desligamento
Os relatórios passam a apontar para o destino, os usuários são avisados, e a origem do domínio fica em modo somente leitura por um período combinado antes de ser desligada. Sem data de desligamento, o projeto termina com dois ambientes pagos e duas versões da verdade.
Validação: como provar que o número novo bate com o antigo
A validação é o que transforma "migramos" em "o negócio confia no ambiente novo". Ela precisa de critérios definidos antes, não depois de o primeiro número divergir. Os níveis mais usados, do mais barato ao mais rigoroso:
- Contagem de linhas por tabela e por partição (por mês, por empresa, por filial). Pega cargas incompletas e filtros errados.
- Agregados de controle: soma de valores, mínimo e máximo de datas, contagem de distintos nas chaves. Pega conversões de tipo e arredondamento.
- Comparação linha a linha nas tabelas críticas, por chave, com relatório das diferenças. É mais cara, então fica para o que alimenta fechamento, faturamento e indicadores regulatórios.
- Indicadores de negócio: o relatório principal de cada domínio, rodado nas duas pontas, com o usuário-chave conferindo. É o teste que importa para quem assina a virada.
Algumas divergências são esperadas e precisam de regra combinada: arredondamento de decimais que mudam de precisão, fuso horário de timestamps, ordenação de textos com acento, tratamento de nulos em funções de agregação. Documentar essas regras evita discussões sem fim na véspera da virada. Ferramentas como a reconciliação do Lakebridge e as etapas de teste e comparação recomendadas no Migration Assistant do Fabric ajudam a automatizar parte disso, mas o critério de aceite é do negócio.
Custos, riscos e como evitar as armadilhas mais comuns
O custo de uma migração tem três partes: o projeto em si (pessoas e ferramentas), o período de paralelo (os dois ambientes ligados ao mesmo tempo) e a operação nova (o consumo da plataforma de destino). O segundo item é o que mais costuma estourar, porque cada mês de atraso na virada é um mês pagando dobrado. Já o terceiro depende do modelo: consultas que varrem tabelas inteiras sem filtro de partição podem custar muito mais na nuvem do que custavam num appliance já pago.
- Inventário feito pela documentação, não pelo uso. A documentação está desatualizada; os logs de consulta mostram a verdade.
- Converter primeiro, pensar em custo depois. Defina particionamento, clustering e alertas de consumo antes de liberar o acesso aos usuários.
- Validação sem critério combinado. Sem regra de aceite, cada divergência de centavo vira uma reunião.
- Virada em bloco. Migrar tudo de uma vez concentra o risco num único fim de semana. Ondas por domínio diluem o risco e mostram valor mais cedo.
- Ninguém dono do ambiente depois. O warehouse novo precisa de operação: monitorar cargas, revisar custo, atender pedidos novos. Sem isso, em um ano ele volta a ter os problemas do antigo.
Esse último ponto é o que separa uma migração que se paga de uma que só trocou de fornecedor. A plataforma nova abre espaço para fontes novas, analytics avançado e IA, mas alguém precisa continuar evoluindo o ambiente depois da virada.
Na prática: o que a BIX já fez nessa frente
Dois projetos de clientes mostram as duas pontas do problema. No Grupo Soma, a BIX reestruturou o data warehouse financeiro que substituiu uma consolidação em Excel feita havia dez anos nos relatórios gerenciais: a consolidação mensal, que levava de 12 a 16 horas, passou a ser automatizada e a tomar poucas horas, com receita, impostos e despesas em blocos automatizados. Na Arauco, o trabalho é de continuidade: desde 2022 a BIX dá suporte e evolui o ambiente de dados que leva o SAP para o BigQuery, com dashboards em Qlik Sense para cinco áreas de negócio. Um caso mostra a entrega do projeto; o outro, o que acontece depois dela.
Na BIX, uma migração de data warehouse costuma começar com um diagnóstico do ambiente atual (inventário, uso real, estimativa por domínio) e seguir com um time que conduz as ondas de migração e continua operando a plataforma depois da virada. Esse trabalho faz parte da frente de engenharia de dados, e o formato que mais se encaixa é o de squads dedicados: o mesmo time que migra conhece o ambiente e assume a evolução, sem a perda de contexto de trocar de fornecedor no meio do caminho.
Perguntas frequentes
Quanto tempo leva uma migração de data warehouse? Depende do volume de objetos, da quantidade de código a converter e do caminho escolhido. Um domínio de complexidade média costuma ser a melhor unidade de estimativa: depois da primeira onda, o time tem dados reais de produtividade para projetar as próximas. Desconfie de prazos dados antes de rodar a avaliação das ferramentas sobre o código real.
É possível migrar o data warehouse sem parar os relatórios? Sim, e é o recomendado. Cada domínio roda em paralelo, com a origem e o destino recebendo as mesmas cargas, até a validação fechar. A virada troca a conexão dos relatórios, e a origem fica em modo somente leitura por um período antes de ser desligada.
As ferramentas de migração dos fornecedores convertem todo o código? Não. BigQuery, Snowflake, Redshift, Databricks e Fabric oferecem ferramentas que convertem a maior parte do SQL e geram relatórios do que não conseguiram converter, mas a própria documentação de cada uma aponta limitações. Procedures com muita lógica, funções sem equivalente e cargas antigas costumam exigir trabalho manual.
Vale aproveitar a migração para redesenhar o modelo de dados? Vale onde o modelo atual atrapalha o negócio, e não em tudo de uma vez. Um caminho seguro é migrar a maior parte em replataforma, mantendo o modelo conhecido, e redesenhar só os domínios com mais dívida técnica ou com fontes novas que não cabem no modelo antigo.
Como evitar que o custo da nuvem fique maior que o do ambiente antigo? Defina particionamento, clustering e alertas de consumo antes de liberar os usuários, acompanhe as consultas mais caras desde a primeira onda e encurte ao máximo o período com os dois ambientes ligados. A plataforma de destino cobra pelo uso, então o modelo de dados e os hábitos de consulta pesam diretamente na fatura.







