News

A combinação de big data e análise preditiva: uma oportunidade para a inovação em finanças

Não há dúvida de que esta união revolucionou a indústria financeira, deixando mais espaço para a inovação e o crescimento. A enorme quantidade de dados gerados com as transações diárias pode ser estudada usando análises preditivas para identificar padrões e tendências, permitindo que as instituições tomem decisões informadas.

Sumário

Os bancos e as companhias de seguros estão a aderir a estas novas tecnologias e os resultados são impressionantes. De acordo com um Relatório da Research and MarketsSegundo a McKinsey, o mercado global de big data, estimado em mais de 150 mil milhões de dólares no ano passado, deverá atingir um valor de 350 mil milhões de dólares até 2030. A consultora McKinsey tornou ainda público outro dado interessante para o sector dos seguros: devido à utilização de big data, os pedidos de indemnização fraudulentos foram reduzidos em até 80%.

Ao analisar dados, as entidades podem identificar necessidades e preferências e adaptar a sua oferta.

Óscar Barba

Cofundador e CTO da Coinscrap Finance

O que é Big Data e como se aplica ao mundo das finanças?

Este termo refere-se aos petabytes de dados estruturados e não estruturados que podem ser utilizados para antecipar os comportamentos dos utilizadores bancários e das instituições financeiras e que servem para criar estratégias mais eficientes. Um dos principais benefícios do big data e da análise preditiva é a capacidade de personalizar as experiências dos clientes. Ao analisar os seus dados, as entidades podem identificar necessidades e preferências e adaptar a sua oferta em conformidade.


Isto provoca um grande aumento das taxas de satisfação e de retenção dos clientes. De acordo com um relatório recente da Accenture. De acordo com os autores, os bancos que utilizam a análise de grandes volumes de dados para personalizar as experiências dos clientes podem fazer disparar as receitas num curto espaço de tempo. Também insistem que, para se tornarem ou permanecerem líderes de mercado, todos os bancos têm de embarcar numa viagem de renovação constante.

New call-to-action

Melhorar a UX e a customer journey é muito mais fácil se utilizarmos a tecnologia

Outro dos desafios que o sector enfrenta é o facto de os canais digitais continuarem a ser vistos como funcionais, mas emocionalmente vazios e destinados às massas. Em suma, são impessoais. Os utilizadores sentem falta de alguém que demonstre um verdadeiro interesse em melhorar a sua situação financeira. Os bancos precisam de dar conselhos que deixem uma marca para poderem vender produtos que envolvam uma maior implicação do cliente.

Os bancos devem inspirar-se noutros sectores para repensar esta relação. A consultora menciona a Shiseido, uma empresa líder em cuidados com a pele que utiliza as informações do utilizador para fornecer conteúdos optimizados. Os dados do seu histórico, como a avaliação do seu tipo de pele - feita online ou numa loja - são adicionados a uma base de dados que alimenta um motor de inteligência artificial capaz de gerar insights personalizados.


Esta informação permite à empresa enviar pacotes de cuidados pessoais a cada cliente com produtos seleccionados, não só para se adaptarem ao tom de pele da pessoa, mas também à ocasião em que serão utilizados. Esta nova abordagem pode ajudar os bancos a obter, organizar e enriquecer os dados dos clientes de formas radicalmente diferentes.

Melhore a experiência do utilizador do seu banco, oferecendo melhores produtos, fidelizando os clientes e, porque não? Tornando as "coisas" mais bonitas.

Análise preditiva graças ao "memória digital" do utilizador, como utilizá-lo?

Se já tem alguns cabelos brancos, certamente se lembra do típico funcionário do banco que se lembrava automaticamente do seu perfil de cliente assim que entrava. Pois bem, agora podemos multiplicar exponencialmente esse conhecimento graças à análise preditiva. Basicamente, precisamos de criar um repositório digital que contenha o histórico de cada indivíduo e... que a magia comece!

Tudo começa com uma coleção de dados: demográficos, transaccionais, de crédito, etc., provenientes de fontes internas e externas. De seguida, procede-se à limpeza e categorização desses dados para eliminar erros, duplicações e informações incompletas. É altura de selecionar as variáveis e características relevantes a utilizar no modelo preditivo.

Uma vez concluídas estas etapas, são desenvolvidos os algoritmos de análise preditiva: regressão linear, árvores de decisão, redes neuronais, etc. Para a sua avaliação, utilizamos técnicas como a validação cruzada ou a matriz de confusão. Se a sua precisão e desempenho excederem os padrões de qualidade, é altura de os implementar. Resta apenas monitorizar periodicamente os resultados para manter a sua precisão e relevância.

Os actuais e futuro necessidades dos clientes no foco da sua estratégia digital

Para que os bancos se tornem mais relevante e eficaz. Para que as empresas possam ter um bom relacionamento com os seus clientes, é necessário que deixem de se limitar a conhecer as informações demográficas e financeiras básicas sobre os seus clientes e passem a compreender a vida quotidiana, as aspirações e as intenções subjacentes a cada compra de produtos financeiros. É a única forma de criar uma ligação duradoura e de antecipar as necessidades futuras.

Predictive analytics allows customers to have a simpler and more intuitive experience. Facilitar a ligação com consultores humanos ou chatbots avançados é uma prioridade para muitos bancos. Ficou demonstrado que os clientes continuam a valorizar - e a necessitar - de interação em locais físicos, razão pela qual é necessário proceder a uma mudança de formato.

Seria interessante transformá-las em centros de aconselhamento, quiosques de auto-atendimento ou pontos de informação personalizados. Mais importante ainda, as sucursais devem tirar partido da tecnologia para oferecer a todos os clientes o toque pessoal e o tipo de conversas que os escritórios de bairro têm historicamente proporcionado.

É essencial que estas novas experiências não sejam concebidas isoladamente, mas como parte de uma experiência muito mais vasta e geral por parte das instituições financeiras.

New call-to-action

Sobre o autor

Óscar Barba é cofundador e CTO da Coinscrap Finance. Ele é um especialista Scrum Manager com mais de 6 anos de experiência na coleta e análise semântica de dados no setor financeiro, classificação de transações bancárias, deep learning aplicado em sistemas de análise de sentimento do mercado de ações e medição da pegada de carbono associada aos dados transacionais. 

Com vasta experiência no setor bancário e de seguros, Óscar está finalizando seu Doutorado em Tecnologia da Informação agora mesmo. É Engenheiro e Mestre em Engenharia Informática pela Universidade de Vigo e Mestre em Comércio Eletrónico pela Universidade de Salamanca. Além disso, possui um certificado de Scrum Manager e Gestão de Projectos do CNTG, um certificado de Arquitetura SOA e Serviços Web da Universidade de Salamanca, entre outros.

Inscreva-se em nossa newsletter e receba nossas últimas notícias diretamente na sua caixa de entrada.