O inventário real de ferramentas do Data Cloud (e por que ninguém usa todas de uma vez)
Data Streams, DMOs, Identity Resolution, Data Spaces, Calculated Insights: entenda o que cada peça faz e onde ela costuma quebrar em projeto
Data Cloud não é um produto que você liga, é uma pilha de ferramentas que precisa ser orquestrada com decisão de arquitetura. Um mapa prático de cada peça, do Setup Menu à Data Ingestion API, com a leitura de quem já bateu cabeça com identity resolution mal configurada.
Todo projeto de Data Cloud começa do mesmo jeito: alguém no cliente ouve falar de Customer 360, acha que é um botão de "unificar dados" e descobre, na segunda reunião de discovery, que na verdade está lidando com uma pilha de ferramentas que precisa de decisão de arquitetura antes de qualquer ingestão de dado. Não é crítica, é a natureza do produto. Data Cloud não é um conector, é uma plataforma de dados que mora dentro do ecossistema Salesforce, e tratar isso como um simples "habilitar feature" é o erro mais comum que vejo em projetos que depois viram retrabalho caro.
Vale abrir um parêntese: a Salesforce renomeou Data Cloud para Data 360 em outubro de 2025, dentro do pacote Agentforce 360. O nome novo importa principalmente para quem está pensando em RAG e grounding de agentes de IA na própria base de dados da empresa, mas no dia a dia de projeto o time ainda fala "Data Cloud", e é assim que vou tratar aqui.
O que cada peça faz (e quando você realmente usa)
- Data Cloud Setup Menu: é onde nascem as decisões estruturais, criação de Data Spaces, conexão de fontes, controle de permissão. É o primeiro lugar onde o time de implementação passa tempo de verdade, antes de qualquer mapeamento. Decisão tomada errado aqui vira dor de cabeça em produção.
- Data Cloud Console: o workspace unificado do dia a dia, onde você monitora streams, ajusta segmentos e revisa Calculated Insights sem ficar pulando entre telas. Na operação contínua, é aqui que a mão suja mesmo.
- Data Kits: pacotes pré-configurados com mapeamentos, insights e segmentos prontos para indústrias como varejo ou serviços financeiros. Ajudam a não reinventar a roda em casos de uso padrão, mas não espere que resolvam a complexidade real do seu negócio sem ajuste fino.
- Data Actions: disparam resposta em tempo real quando uma condição é atingida no dado unificado, tipo notificar o vendedor quando um lead de alto valor volta a interagir. É a diferença entre um dado que você só olha em dashboard e um dado que gera ação automática.
- Data Streams: o ponto de entrada de dado, conectando Sales Cloud, Service Cloud, Marketing Cloud, Commerce Cloud e fontes externas como Snowflake, S3, Google Cloud Storage e APIs, em modo agendado ou quase real-time.
- Data Model Objects (DMOs): a camada de padronização. Se um sistema chama de
Quem está avaliando ou já vendeu Data Cloud precisa entender que o produto não entrega valor por si só: ele entrega valor pela forma como Data Streams, DMOs, Identity Resolution e Data Spaces são combinados. Isso muda a conversa comercial, muda o escopo de discovery e muda quem deve estar na mesa desde o dia um (spoiler: precisa de arquiteto de dados, não só de admin).
Vale reforçar: Data Cloud não roda em sandbox tradicional, só em produção ou em trial edition. Isso muda a estratégia de teste e validação do projeto, e é um detalhe que muita proposta comercial esquece de mencionar até o cliente perguntar como vai testar antes de ir para produção.
Antes de tocar em Data Stream, sente com o cliente e mapeie: quantas fontes de dado existem, se há necessidade de Data Spaces (múltiplas marcas, unidades de negócio, regiões) e que regras de Identity Resolution fazem sentido para o negócio. Documente isso antes de configurar qualquer DMO, porque mapeamento errado nessa fase é caro de corrigir depois que o dado já está fluindo.
Use Data Kits como ponto de partida quando o caso de uso for padrão de mercado (varejo, serviços financeiros), mas trate como esqueleto, não como solução pronta. E treine o time de negócio em Trailhead e Salesforce Help antes do go-live, porque Data Cloud evolui rápido e ninguém quer descobrir uma feature nova via ticket de suporte.
O erro mais caro em Data Cloud não é técnico, é de sequenciamento: times que tentam configurar Identity Resolution ou Calculated Insights antes de fechar a modelagem de DMOs e a estratégia de Data Spaces. Corrigir identity resolution mal configurada depois que o dado já foi unificado é retrabalho sério, às vezes envolve reprocessar tudo.
Outro ponto de atenção: Data Cloud não roda em sandbox, então a estratégia de teste precisa ser pensada com trial edition ou ambiente de produção controlado, isso raramente está no radar de quem está estimando o projeto pela primeira vez.
Este conteúdo foi reescrito e analisado editorialmente em português a partir de informações públicas da fonte indicada.