“A Basedash é o analista de dados que nunca precisamos contratar. É a primeira coisa que abro toda manhã.”

A Parallel é a rede de distribuição do TikTok para marcas. Em vez de depender de uma única conta de marca, a Parallel gerencia uma rede de mais de 10.000 contas orgânicas que publicam conteúdo para clientes centenas de milhares de vezes todo mês — representando cerca de 0,2% de todas as publicações diárias do TikTok. O resultado é conteúdo no estilo orgânico entregue na escala e consistência da publicidade paga, a uma fração do CPM. A Parallel viabiliza programas para grandes marcas de bens de consumo e aplicativos de consumidores.

Operar uma rede desse tamanho produz uma quantidade enorme de dados. Cada conta, publicação, template, som e campanha de marca tem suas próprias métricas, e qualquer uma delas pode ser a alavanca que faz uma campanha funcionar ou silenciosamente deixar de funcionar. O cofundador e CEO Peter Solimine precisava de uma forma de investigar tudo isso sem tirar engenheiros do produto ou construir mais um dashboard interno.

“Todo o nosso negócio é conteúdo se movendo por contas. Se você não consegue ver o que está acontecendo no nível de publicação e conta, você está voando no escuro.”

Antes da Basedash

Os dados de produção da Parallel vivem em Postgres, no Supabase. Por trás de cada post viral há uma cadeia de registros estruturados — a conta que publicou, o template usado, o som usado, o cliente para o qual foi feito, as visualizações e conversões que gerou. Dados úteis, mas nada úteis se a única forma de consultá-los for escrever SQL manualmente ou abrir um ticket com a engenharia.

Nos primeiros dias, era exatamente isso que acontecia. A maioria das perguntas não triviais sobre a performance da rede passava pela engenharia, o que significava que a maioria das perguntas nunca era feita. O custo de descobrir algo era maior que o custo de simplesmente chutar — uma troca familiar em qualquer startup com operação intensa, e uma troca cara quando seu negócio é construído em cima de experimentação contínua.

Por que Basedash

Peter apontou a Basedash para o banco Postgres da Parallel e imediatamente passou a ter uma interface conversacional sobre os mesmos dados que alimentam a plataforma de distribuição. Não havia documentação de schema para escrever, nem dashboards para definir, nem um projeto de engenharia para aprovar — só perguntas e respostas.

“Posso perguntar qualquer coisa para a Basedash sobre a rede e receber uma resposta em segundos. O tipo de pergunta que antes parecia cara demais para fazer — como as contas deste grupo estão performando essa semana, quais templates estão gerando visualizações para este cliente, onde as URLs de som estão falhando — simplesmente acontece agora.”

Hoje, Peter roda conversas regulares em todo o negócio, e uma parcela crescente do time usa a ferramenta para suas próprias perguntas em produto, operações e gestão de contas.

O que a Parallel realmente pergunta para a Basedash

As perguntas que a Parallel resolve com a Basedash são específicas da realidade operacional de rodar uma grande rede de distribuição de conteúdo:

• Performance de conteúdo. Quais templates, sons e publicações estão gerando mais visualizações e conversões, segmentado por cliente, grupo de contas, horário do dia e plataforma.
• Saúde das contas. Identificar contas mortas, contas ativas sem visualizações, e grupos com baixa performance silenciosa — o tipo de higiene de rede que fica invisível sem alguém checando ativamente.
• Relatórios por cliente. Obter visões dedicadas de como cada programa de marca está performando, da cadência de publicação e mix de templates até os posts com melhor performance.
• Integridade operacional. Identificar URLs de som quebradas, assets com problema e questões de qualidade de dados no pipeline de publicação antes que se tornem um problema de campanha.

“É a primeira coisa que abro de manhã. Rodo algumas conversas antes da minha primeira reunião só para ver o que está acontecendo na rede.”

Uma cultura de dados liderada pelo fundador

A maioria das ferramentas de analytics é voltada para times de dados. A Basedash funciona para operadores. Para Peter, essa distinção é o ponto central — como fundador de um negócio construído em torno de gerenciar dezenas de milhares de contas em paralelo, ele precisa da capacidade analítica de um time de dados sem a latência de um.

A interface conversacional deixa as perguntas evoluírem naturalmente. Uma consulta simples (“quantos posts esse cliente teve ontem”) se transforma em uma investigação (“quais contas estão com baixa performance para este cliente essa semana, e existe um template ou som em comum”) sem nunca trocar de ferramenta ou escrever uma query.

“Cada minuto que economizo em análise é um minuto que recupero para o negócio de verdade. A Basedash multiplica isso por todo o time.”

Impacto

Desde que adotou a Basedash, a Parallel construiu uma camada de analytics self-service sobre sua plataforma de distribuição de conteúdo:

• O CEO responde suas próprias perguntas sobre a rede todos os dias, sem escrever SQL ou abrir um ticket
• Visibilidade em tempo real da saúde das contas, performance de conteúdo e resultados por cliente em milhares de contas gerenciadas
• Tempo de engenharia recuperado para trabalho de produto em vez de pedidos de dados pontuais
• Problemas operacionais como sons quebrados e posts com falha detectados cedo porque são fáceis de monitorar
• Uma parcela crescente do time fazendo sua própria análise self-service em vez de depender de uma única pessoa

“A Basedash transformou a camada de dados da nossa empresa em algo self-service. Para um negócio tão operacional quanto o nosso, essa é a diferença entre chutar e saber.”