> ## Documentation Index
> Fetch the complete documentation index at: https://docs.topsort.com/llms.txt
> Use this file to discover all available pages before exploring further.
# Migração de Dados Históricos
> Migração de dados de desempenho históricos para resolver o problema de cold start durante a transição de plataforma
export const LastUpdatedPt = ({date}) => {
const label = "Última atualização:";
return <>
;
};
A migração de dados históricos é o processo de transferência de métricas de desempenho e dados de eventos da plataforma de anúncios anterior de um cliente para acelerar os modelos de machine learning do Topsort e reduzir o período de aprendizado inicial durante a transição de plataforma.
## Problema
Quando os clientes migram para o Topsort, suas campanhas enfrentam um **problema de cold start** onde:
* **Sem Histórico de Desempenho**: Novas campanhas começam sem nenhum dado de desempenho histórico
* **Período de Aprendizado**: Modelos de machine learning requerem 1-4 semanas para acumular dados suficientes para otimização
* **Desempenho Subótimo**: Durante o cold start, as campanhas podem ter desempenho inferior devido à falta de dados de treinamento
* **Frustração do Anunciante**: Anunciantes podem experimentar efetividade reduzida de campanha nas semanas iniciais
Enquanto a [Migração de Campanhas](/pt/knowledge-base/ad-platform/campaign-migration/)
lida com a estrutura e configurações da campanha, a migração de dados históricos
especificamente aborda dados de desempenho para acelerar o treinamento do modelo e
otimização.
## Solução
Nós fornecemos uma **solução de ingestão de dados históricos** que importa métricas de desempenho e dados de eventos da plataforma anterior do cliente. Estes dados servem como material de treinamento inicial para os modelos de machine learning do Topsort, reduzindo significativamente o período de cold start.
### Como os Dados Históricos Ajudam
**Aceleração do Treinamento do Modelo:**
* Fornece dados de treinamento imediatos para algoritmos de machine learning
* Reduz o período de cold start de 4 semanas para 1-2 semanas
* Permite otimização de campanha e decisões de lances mais rápidas
**Continuidade de Desempenho:**
* As campanhas podem aproveitar padrões de desempenho históricos
* Melhores recomendações de lance inicial baseadas em dados passados
* Decisões de segmentação melhoradas a partir do comportamento histórico do usuário
**Redução de Risco:**
* Minimiza a queda de desempenho durante a transição de plataforma
* Mantém a confiança do anunciante com níveis de desempenho familiares
* Fornece métricas de linha de base para comparação e otimização
### Implementação Técnica
Nossa integração de dados históricos:
* **Ingere dados de eventos** incluindo impressões orgânicas, cliques e compras
* **Processa métricas de desempenho** nos níveis de campanha, produto e usuário
* **Treina modelos iniciais** usando dados históricos importados antes do go-live
* **Calibra algoritmos** durante a operação inicial para desempenho ótimo
* **Atualiza embeddings** para usuários, produtos e posicionamentos com base em padrões históricos
## Processo de Migração
**Avaliar Disponibilidade de Dados Históricos**
* Avaliar quais dados de desempenho estão disponíveis da plataforma anterior
* Determinar a qualidade e completude dos dados
* Definir o intervalo de tempo para dados históricos (tipicamente 3-6 meses)
* Identificar métricas-chave que se alinham com o rastreamento do Topsort
**Tipos de Dados Históricos Necessários:**
* Métricas de desempenho de campanha (impressões, cliques, conversões, gastos)
* Dados de desempenho no nível do produto (taxas de cliques, taxas de conversão)
* Eventos de comportamento do usuário (buscas, visualizações, compras)
* Padrões de tráfego orgânico e tendências sazonais
* Histórico de utilização de lances e orçamento
Todos os dados históricos devem estar em conformidade com regulamentações de privacidade. Dados no nível de usuário
devem ser anonimizados ou agregados quando exigido por leis locais de privacidade.
**Etapas de Garantia de Qualidade:**
* Validar completude e precisão dos dados
* Normalizar métricas para corresponder ao esquema de dados do Topsort
* Limpar e processar dados para treinamento do modelo
* Identificar e lidar com anomalias ou outliers de dados
**Processo de Treinamento Inicial:**
* Importar dados históricos para o pipeline de treinamento do Topsort
* Treinar modelos iniciais de machine learning usando padrões históricos
* Calibrar algoritmos para desempenho ótimo
* Validar precisão do modelo em relação a resultados históricos conhecidos
**Processo de Go-Live:**
* Implantar modelos treinados no ambiente de produção
* Monitorar desempenho inicial em relação às linhas de base históricas
* Ajustar finamente algoritmos com base em novos dados em tempo real
* Gradualmente mudar da otimização de dados históricos para dados em tempo real
## Requisitos de Dados
### Métricas de Desempenho Necessárias
| Categoria de Métrica | Campos Necessários | Formato de Exemplo |
| -------------------------- | --------------------------------------------------------------------------- | ----------------------------------------------------------- |
| **Desempenho de Campanha** | campaign\_id, date, impressions, clicks, conversions, spend | `campaign-123, 2024-01-15, 1000, 50, 5, 25.00` |
| **Desempenho de Produto** | product\_id, campaign\_id, date, impressions, clicks, ctr, conversion\_rate | `prod-456, campaign-123, 2024-01-15, 100, 10, 0.10, 0.02` |
| **Eventos de Usuário** | user\_id (anonimizado), event\_type, product\_id, timestamp, value | `user-789, purchase, prod-456, 2024-01-15T10:30:00Z, 49.99` |
| **Tráfego Orgânico** | product\_id, date, organic\_impressions, organic\_clicks, search\_terms | `prod-456, 2024-01-15, 500, 25, "summer shoes"` |
### Exemplos de Formato CSV
**Dados de Desempenho de Campanha:**
```csv theme={null}
campaign_id,date,impressions,clicks,conversions,spend,ctr,conversion_rate
campaign-123,2024-01-15,1000,50,5,25.00,0.05,0.10
campaign-124,2024-01-15,800,40,3,20.00,0.05,0.075
```
**Dados de Desempenho de Produto:**
```csv theme={null}
product_id,campaign_id,date,impressions,clicks,conversions,revenue
prod-456,campaign-123,2024-01-15,100,10,2,49.98
prod-457,campaign-123,2024-01-15,150,8,1,24.99
```
**Dados de Eventos de Usuário:**
```csv theme={null}
user_id,event_type,product_id,timestamp,value,campaign_id
user-789,view,prod-456,2024-01-15T10:00:00Z,,
user-789,click,prod-456,2024-01-15T10:05:00Z,,campaign-123
user-789,purchase,prod-456,2024-01-15T10:30:00Z,49.99,campaign-123
```
## Processo de Treinamento do Modelo
### Treinamento de Integração
**Processamento de Dados Inicial:**
* Dados de eventos históricos são integrados aos pipelines de treinamento
* Modelos são treinados usando 3-6 meses de dados de desempenho históricos
* Embeddings iniciais são criados para usuários, produtos e campanhas
* Previsões de desempenho de linha de base são estabelecidas
### Otimização Contínua
**Aprendizado Contínuo:**
* **Atualizações Diárias**: Embeddings de busca de ID atualizados com novos dados
* **Retreinamento Semanal**: Retreinamento completo do modelo incorporando dados históricos e novos
* **Adaptação em Tempo Real**: Embeddings de comportamento do usuário atualizados continuamente
* **Monitoramento de Desempenho**: Comparação de desempenho histórico vs. atual
A combinação de dados históricos e aprendizado em tempo real tipicamente alcança
desempenho ótimo dentro de 2-3 semanas, comparado a 4-6 semanas apenas com cold start.
## Métricas de Sucesso
O sucesso da migração de dados históricos é medido por:
* **Período de Cold Start Reduzido**: Tempo de aprendizado diminuído de 4 semanas para 1-2 semanas
* **Continuidade de Desempenho**: Desempenho de campanha dentro de 10-15% dos níveis históricos desde o primeiro dia
* **Precisão do Modelo**: Precisão de previsão melhorada em 20-30% comparado a cenários de cold start
* **Satisfação do Anunciante**: Confiança do anunciante mantida ou melhorada durante a transição
## Integração com Migração de Campanhas
### Processos Complementares
A migração de dados históricos funciona junto com a [Migração de Campanhas](/pt/knowledge-base/ad-platform/campaign-migration/):
1. **Estrutura de Campanha**: A migração básica de campanha lida com configurações, orçamentos e segmentação
2. **Dados de Desempenho**: A migração de dados históricos fornece a base de desempenho
3. **Benefício Combinado**: Juntos, eles garantem campanhas funcionais e desempenho otimizado desde o primeiro dia
### Sequência Recomendada
1. Completar a [Migração de Campanhas](/pt/knowledge-base/ad-platform/campaign-migration/) primeiro para estabelecer a estrutura da campanha
2. Executar a migração de dados históricos em paralelo durante a fase de testes
3. Implantar tanto a estrutura da campanha quanto os modelos treinados simultaneamente
4. Monitorar desempenho em relação às linhas de base históricas
A migração de dados históricos requer coordenação técnica adicional e pode
estender o cronograma geral de migração em 1-2 semanas para treinamento e
validação do modelo.
## Próximos Passos
Para clientes interessados em migração de dados históricos:
1. **Avaliar disponibilidade de dados** da sua plataforma atual
2. **Coordenar equipes técnicas** para discutir requisitos de dados históricos
3. **Planejar extração de dados** junto com o cronograma de migração de campanha
4. **Coordenar com a equipe de machine learning** para requisitos de treinamento do modelo
***