Durante a Black Friday, picos abruptos de tráfego podem derrubar um e-commerce em segundos e qualquer instabilidade vira perda de receita. A Eficify preparou e sustentou uma operação em Kubernetes e microsserviços na AWS, com escalabilidade em duas camadas, padrões de resiliência (timeouts, circuit breaker, idempotência, filas), consistência de pedidos e estoque sob alta concorrência e observabilidade ligada ao negócio, atravessando o pico com estabilidade e controle.
Contexto
Novembro concentra os maiores desafios técnicos do varejo digital. Campanhas, disparos e mudanças de preço geram picos abruptos de tráfego em poucos segundos, sem crescimento linear.
Nesse cenário, lentidão na navegação, falha no checkout ou inconsistência de estoque interrompem a compra no momento de maior demanda, com impacto direto na receita.
O problema
A plataforma reunia serviços críticos (autenticação, catálogo e busca, preços e promoções, carrinho, estoque, pedidos, pagamentos, frete e notificações) em uma arquitetura de microsserviços.
A independência dos componentes aumentava a complexidade: uma latência localizada no estoque, por exemplo, podia gerar filas no checkout e provocar falhas em cascata. O desafio não era só ter mais capacidade, mas fazer toda a arquitetura responder de forma coordenada à carga.
Riscos para o negócio
- Indisponibilidade no checkout no horário de maior conversão.
- Falhas em cascata a partir de um único serviço sobrecarregado.
- Cobranças duplicadas ou pedidos inconsistentes sob timeout.
- Venda de itens sem estoque por concorrência nas últimas unidades.
- Degradação por aguardar provisionamento de capacidade no pico.
Arquitetura anterior
- Microsserviços com forte acoplamento operacional entre domínios.
- Escala reativa baseada apenas em consumo de CPU.
- Operações não essenciais acopladas de forma síncrona ao checkout.
- Sem capacidade pré-provisionada para os fluxos críticos.
- Observabilidade fragmentada, sem correlação entre técnico e negócio.
Diagnóstico da Eficify
Antes do pico, revisamos toda a configuração do cluster: requests/limits por workload, HPA, distribuição de pods, probes, afinidade, Pod Disruption Budgets, prioridades e capacidade de expansão dos grupos de nós.
Mapeamos as dependências entre serviços e os pontos de propagação de falha, priorizando checkout, pedidos, pagamentos e estoque, e definimos a estratégia de escala, resiliência e capacidade reservada.
Solução implementada
Implementamos escalabilidade em duas camadas: na aplicação, o Kubernetes ajustava a quantidade de pods por concorrência, latência e volume de requisições (não só CPU); na infraestrutura, o ambiente adicionava nós quando a capacidade se esgotava. Mantivemos capacidade pré-provisionada para os serviços críticos, para não pagar minutos de degradação aguardando novos nós no pico.
A arquitetura recebeu padrões de resiliência: timeouts e retries com backoff progressivo, circuit breaker, rate limiting e limitação de concorrência, processamento assíncrono e filas para absorver picos, e idempotência nas operações críticas. Operações não essenciais ao checkout (notificações, integrações secundárias) foram desacopladas para filas.
No fluxo de pedidos, controles de idempotência evitaram duplicidades e cobranças repetidas em timeouts, e a modelagem dos estados do pedido preservava o contexto para reprocessamento seguro. No estoque, reservas temporárias, expiração de carrinhos e devolução de saldo mantiveram a consistência sob alta concorrência, sem transformar tudo em um fluxo síncrono e acoplado.
A observabilidade foi organizada em métricas, logs centralizados e tracing distribuído, com indicadores técnicos correlacionados ao negócio (criação de pedidos, conversão no checkout, falhas de pagamento, divergências de estoque, filas e erro por serviço). Durante todo o período, a operação foi acompanhada com alertas por criticidade, incidentes avaliados por impacto e deploys progressivos com rollback rápido.
Desafios técnicos
- Absorver picos abruptos sem operar no limite da infraestrutura.
- Impedir que uma falha localizada se propagasse em cascata.
- Garantir idempotência e consistência de pedidos sob timeouts.
- Manter a integridade do estoque na disputa pelas últimas unidades.
- Ter visibilidade em tempo real ligando indicadores técnicos ao negócio.
Resultados mensuráveis
Pico sustentadoEstabilidade no momento de maior demanda
Sem cascataFalhas isoladas, sem derrubar a plataforma
Checkout íntegroPedidos sem duplicidade mesmo sob timeout
Estoque consistenteIntegridade sob alta concorrência
Escala em camadasAplicação e infraestrutura escalando juntas
“Chegamos na Black Friday sem o medo de sempre. A operação se manteve estável no pico e as vendas seguiram, com o time tranquilo e bem informado o tempo todo.”