Desafio

Gestores de energia em grandes indústrias não trabalham com estimativas. Decisões passam por dados financeiros, indicadores de consumo e projeções de inadimplência. Tudo precisa ser preciso e, principalmente, estar disponível no momento certo.

Quando a base dessas decisões é uma planilha de Excel com dezenas de abas, fórmulas encadeadas e preenchimento manual, o risco deixa de ser hipotético.

A Simple Energy operava exatamente nesse cenário. Possuiam os dados, o problema era o tempo necessário para transformar tudo isso em informação utilizável e a dependência constante de intervenção humana ao longo do processo.

A operação da Simple Energy é complexa por natureza. Existem gestores que administram empresas, que por sua vez se relacionam com distribuidoras de energia. Nesse fluxo, dados financeiros, energéticos e contratuais circulam o tempo todo e precisam ser consolidados com precisão para sustentar decisões em cada nível.

Tudo isso era feito em Excel. Não de forma simples, mas com uma estrutura altamente interdependente: abas conectadas entre si, fórmulas que alimentavam outras fórmulas e dados auxiliares atualizados manualmente a cada ciclo. O processamento completo levava cerca de dois dias. O problema não era só eficiência, era risco.

Dois dias de processamento significam atraso acumulado e pouca margem para erro. Qualquer inconsistência no meio do caminho exigia recomeçar.  Existia a necessidade de evoluir, porém não havia um caminho pronto. O mercado não oferecia soluções equivalentes para esse tipo de operação, e não havia benchmark direto. Isso significava partir do zero e, antes de qualquer desenvolvimento, entender a fundo um vocabulário técnico específico do setor energético para traduzir as regras das planilhas em lógica de sistema.

Transformação_

O primeiro passo foi desmontar as planilhas, entendendo a lógica por trás delas. Cada fórmula carregava uma regra de negócio, cada aba representava uma dependência. Mapear isso foi essencial para reconstruir o processo de forma estruturada. A partir daí nasceu o motor de cálculo do Sim Connect, o núcleo do sistema.

Esse motor passou a executar, de forma automatizada e confiável, tudo o que antes dependia de fórmulas e preenchimento manual. As regras de negócio foram traduzidas para SQL e organizadas em um serviço dedicado, isolado do restante da aplicação.

Para resolver o gargalo de tempo, a arquitetura foi pensada com paralelismo de tarefas e múltiplas conexões simultâneas com o banco de dados, permitindo processar grandes volumes de informação com mais eficiência.

A entrada de dados também foi automatizada. Funções Lambda na AWS ficaram responsáveis por integrar e atualizar o banco de forma periódica, sem intervenção manual. Sobre essa base, uma API em .NET passou a expor os dados já processados para consumo.

No frontend, desenvolvido em Angular, o que antes estava fragmentado em planilhas foi consolidado em um único sistema. Gestão financeira, consumo energético por usina e visão consolidada, contratos e projeções passaram a conviver no mesmo ambiente, organizados em dashboards, tabelas e filtros.

Durante o projeto, surgiu ainda uma funcionalidade que não existia no modelo anterior: a comparação de versões. Nela, o gestor pode selecionar duas usinas e um período específico para visualizar os dados lado a lado, tanto na dimensão financeira quanto energética. Um tipo de análise que antes simplesmente não era possível.

Benefícios_

O impacto mais imediato foi no tempo de processamento. O que antes levava cerca de dois dias passou a ser concluído em aproximadamente três horas. Na prática, isso significa mais ciclos de análise, decisões mais rápidas e menos tempo ocioso esperando dados ficarem prontos.

A automação eliminou a dependência de preenchimento manual, reduzindo drasticamente o risco de erro ao longo de toda a cadeia de cálculo. Os gestores deixaram de trabalhar com dados manipulados manualmente e passaram a confiar em uma base gerada pelo sistema.

Além disso, a centralização das informações trouxe uma nova forma de visualizar a operação. O que antes estava disperso em abas foi transformado em uma visão consolidada, acessível e configurável. E a possibilidade de comparar usinas em diferentes períodos adicionou uma camada de análise que não existia antes.

Ferramentas utilizadas_

• .NET

• AWS

• Angular

A API em .NET centraliza o acesso aos dados processados, as funções Lambda garantem a atualização automática das informações, integrando diferentes fontes de forma contínua e o Angular entrega a interface, reunindo dashboards, filtros e visualizações que transformam dados complexos em informação acionável.