OMO Lavanderias
Um ecossistema cross-platform para mais de um milhão de usuários da maior marca de cuidado de roupas do Brasil — pedidos, reservas, pagamentos e notificações em microsserviços que precisam funcionar todo dia.
Cuidar de roupa precisa ser tão simples quanto pedir comida.
Atender mais de um milhão de usuários da Unilever em todo o Brasil é um problema operacional sério. Pedidos precisam casar com lavanderias parceiras, reservas têm que respeitar capacidade e horário, pagamentos não podem falhar e notificações precisam chegar no momento certo — em iOS, Android, Web e nos apps internos das lojas.
O ecossistema cresceu organicamente. Quando entrei, havia oportunidades reais de simplificação, idempotência e controle de concorrência — especialmente nas fronteiras entre serviços.
Engenheiro Pleno full-stack, focado em backend e nos contratos entre serviços.
- — Manutenção e evolução de microsserviços de pedidos, reservas, pagamentos e notificações.
- — Controle de concorrência com Redis/Redlock; webhooks idempotentes; coreografias SAGA entre serviços.
- — Code reviews, definição de padrões de engenharia e mentoria para o time.
- — Participação no Comitê de IA da Bamse — pesquisa aplicada de agentes para acelerar partes do próprio fluxo de engenharia desse projeto.
Mergulho no domínio antes de qualquer linha de código.
Conversas com produto, operação e atendimento da OMO para entender o vocabulário, os SLAs reais e onde os atritos doem mais.
Mapeamento de contratos e pontos críticos de concorrência.
Definir o que precisa de idempotência (webhooks de pagamento), o que precisa de Redlock (reserva de slot) e o que pode ser eventual.
Implementação em fatias verticais e observáveis.
Cada fatia entrega valor e fica visível em logs/métricas — assim conseguimos validar com operação real antes de seguir.
Code review, padronização e mentoria como contrato do time.
O time fica mais rápido quando o padrão está escrito — e quando a revisão é técnica e generosa ao mesmo tempo.
Sistema mantém-se estável atendendo 1M+ usuários, com fluxos críticos de pedido, reserva e pagamento confiáveis o suficiente para não acordar o time no meio da noite.
- — Webhooks de pagamento idempotentes eliminaram retrabalho manual de operação em casos de reentrega.
- — Redlock em reservas de slot eliminou a condição de corrida que gerava double-booking em horários de pico.
- — Padrões de revisão e ADRs adotados pelo time reduziram a variabilidade entre PRs e o tempo de onboarding de novos devs.
- — Aprendizados do Comitê de IA aplicados ao próprio fluxo: skills e hooks específicos do projeto aceleraram refactors recorrentes.