- Título:
- Normalização de dados financeiros
Normalização de dados financeiros
Serviço que normaliza os dados financeiros heterogêneos das incorporadoras atendidas pela Liquid AI, mais de 20 bases ativas. A regra de cada incorporadora entra como adaptador numa arquitetura hexagonal, e não como desvio no núcleo. Reduziu de cerca de cinco dias para até 30 minutos o preparo de uma base, protegido por mais de 4.800 casos de teste.
Problema
Cada incorporadora entrega dado financeiro num formato próprio, e a normalização manual não acompanha o número de bases ativas.
Decisões técnicas
Domain-Driven Design com arquitetura hexagonal, para a regra de cada incorporadora entrar como adaptador e não como ramificação no núcleo. API Python de propósito único, com o frontend em repositório separado.
Resultado
Em produção na Liquid AI, sobre as bases de mais de 20 incorporadoras. O intervalo entre receber uma base e entregá-la pré-normalizada na pipeline caiu de cerca de cinco dias para até 30 minutos, e uma suíte de mais de 4.800 casos de teste (unitários, integração, regressão e paridade) protege cada mudança de transformação contra quebra silenciosa. O código e os nomes das incorporadoras não são públicos.
---
title: Normalização de dados financeiros
url: https://nandomoreira.dev/portfolio/financial-normalization
collection: portfolio
tech:
- Python
- DDD
- Arquitetura hexagonal
date: 2025-03-01
---
# Normalização de dados financeiros
Serviço que normaliza os dados financeiros heterogêneos das incorporadoras atendidas pela Liquid AI, mais de 20 bases ativas. A regra de cada incorporadora entra como adaptador numa arquitetura hexagonal, e não como desvio no núcleo. Reduziu de cerca de cinco dias para até 30 minutos o preparo de uma base, protegido por mais de 4.800 casos de teste.
## Problema
Cada incorporadora entrega dado financeiro num formato próprio, e a
normalização manual não acompanha o número de bases ativas.
## Decisões técnicas
Domain-Driven Design com arquitetura hexagonal, para a regra de cada
incorporadora entrar como adaptador e não como ramificação no núcleo. API
Python de propósito único, com o frontend em repositório separado.
## Resultado
Em produção na Liquid AI, sobre as bases de mais de 20 incorporadoras. O
intervalo entre receber uma base e entregá-la pré-normalizada na pipeline
caiu de cerca de cinco dias para até 30 minutos, e uma suíte de mais de 4.800
casos de teste (unitários, integração, regressão e paridade) protege cada
mudança de transformação contra quebra silenciosa. O código e os nomes das
incorporadoras não são públicos.