News

O papel da análise de dados na tomada de decisões estratégicas no sector financeiro

Uma das fontes de riqueza mais importantes do século XXI são os dados. Vivemos na Era da Informação. Muitas vezes, o problema não é o acesso a eles, pois estão disponíveis; o problema é entender e lidar com esses dados de forma ágil e eficiente.

Sumário

Desde os primórdios da Coinscrap Finance, o nosso objetivo tem sido simplificar as finanças e torná-las acessíveis a todos. As entidades financeiras têm dificuldades em analisar as transações bancárias realizadas pelos seus clientes, elaborar uma análise profunda e aproveitar esses dados para oferecer um serviço mais personalizado.

A corrida para obter valor dos dados bancários é um desafio em aberto há muito tempo, e a regulamentação PSD2 tem vindo a potenciá-lo.O uso de algoritmos de IA para categorizar e classificar automaticamente os textos curtos usados nas transações bancárias permite obter dados do usuário, como: nível de rendimento, estilo de vida, seguros, pagamentos recorrentes, etc. Estes permitem melhorar a proposta de valor de bancos e empresas seguradoras.

A análise de dados permite-nos:

Óscar Barba

Cofundador e CTO da Coinscrap Finance

Classificação automatizada das categorias de despesas

Num inquérito realizado a 500 líderes globais de TI pela Pure Storage e Bredin86% dos inquiridos indicaram planos para aumentar a utilização de dados até 2023. Entretanto, a análise de Artem Mateush (et al.) torna claro que classificação automática dos pagamentos tem duas abordagens disponíveis: baseada em regras e baseada na aprendizagem automática. 

Na abordagem baseada em regras ou expressões regulares, um conjunto de orientações é mantida para atribuir cada registo de pagamento a uma categoria. Por exemplo, pode ser estabelecida uma regra que classifique todos os pagamentos relacionados com as telecomunicações como "Internet". Esta abordagem é simples, mas pode ser complicada pelo facto de atualização contínua dos dados da empresa.

Uma alternativa é construir um modelo baseado na Machine Learning a partir de um conjunto de dados etiquetados. A abordagem consistiria em adquirir os seus próprios dados ou os dados dos clientes e marcá-los com equipamento especializado, que gera a base de conhecimentos necessárias para formar e construir estas soluções que simulam o raciocínio humano e geram resultados em tempo real, à semelhança do que faria o pessoal especializado. 

86% dos inquiridos indicaram planos para aumentar a utilização de dados até 2023".

Além disso, transacções semelhantes de clientes diferentes podem ter diferentes rótulos, conhecido como o problema do "ruído". Inteligência Artificial e, mais especificamente, Aprendizagem Automática, permite que o sistema aprenda. O sistema de classificação de dados é um sistema que permite identificar padrões e automatizar a categorização, embora seja frequentemente complementado por alguma supervisão humana.

Oferta de serviços personalizados ferramentas de planejamento financeiro

Atualmente, Deep Learning -uma disciplina dentro da Aprendizagem Automática- está a trabalhar para tornar a aprendizagem do sistema autónoma e, assim, alcançar o grande desafio de simular como é que o cérebro humano aprende. Para efetuar a classificação automática do texto, o algoritmo deve ser aplicado a cada transação.

One of the most widely used is the support vector model, which is applied to information retrieval systems. In addition, other forms of text representation exist such as graphs, n-grams, logical representations, etc. Automated text classification has become popular due to the large amount of digital content available.

Graças a estes progressos e à digitalização das finanças, é agora é possível mostrar aos utilizadores do banco como, onde e quando gastam o seu dinheiro. Com a atual situação económica, é necessário que os bancos se posicionem como aliados e ofereçam ferramentas com as quais os seus clientes possam recuperar o controlo da sua situação financeira e tomar melhores decisões. 

Criar um gestor de despesas com análise de dados

A good example is a expense manager or PFM, módulos que utilizam a análise de dados to show an overview of consumption habits, recurring income and insurance due dates, among others. PSD2 has also contributed to these tools, making it possible to aggregate accounts from several banks and thus enriquecer a imagem de 360º das finanças do utilizador

Neste artigo, pode saber mais sobre o que é um gestor de despesas e para que é utilizado.

Todos os seus movimentos bancários são apresentados, independentemente do banco onde são gerados e, através destas tecnologias de IA, são homogeneizados na classificação. Existem também micro-poupança ferramentasconcebido para que as pessoas criem objectivos e aumentem o montante dos seus mealheiros com pouca fricção e com um sistema digital e gamified experience.

Estes desenvolvimentos são particularmente úteis em ambientes como o mercado espanhol, em que a população tem falta de literacia financeira. O inquérito citado em elEconomista.esO Banco de Espanha e a Comissão Nacional do Mercado de Valores Mobiliários (CNMV) realizaram um estudo sobre as competências financeiras, colocou os espanhóis abaixo da média dos 40 países da OCDE

As suas conclusões reflectem as dificuldades dos cidadãos na elaboração de orçamentos e um baixo nível de compreensão dos termos financeiros. O mesmo se aplica à poupança e à aquisição de produtos bancários e de seguros, que acabam por pôr em causa a saúde financeira das pessoas.

Hiper personalização de produtos e serviços

Como já foi referido, a Aprendizagem Profunda é um ramo da Aprendizagem Automática que é normalmente utilizado na reconhecimento de padrões complexos em informações não estruturadas. Utilizando arquitecturas de redes neuronais, a utilização de transformadores está atualmente a ganhar presença. Pode ser aplicada a qualquer tarefa, mas incorpora a possibilidade de trabalhar com dados de entrada não tabulares.

No setor financeiro, Com a análise de dados e a categorização de dados, as probabilidades são enormes, desde a criação de tipologias de utilizadores e a elaboração de recomendações até à oferta de serviços personalizados aos clientes com base nos seus interesses em tempo real. Tudo graças à IA. Para dar um exemplo, processamos diariamente milhões de transacções bancárias para o Banco Santander.

New call-to-action

Não podemos esquecer que, em função dos diferentes grupos de utilizadores obtidos por tipologia, os utilizadores inteligentes podem ser lançados alertas ou informações, de acordo com a situação e os eventos detectados para cada cliente, de forma a oferecer serviços e produtos de forma totalmente individualizada. Adaptação das mensagens com estas tecnologias é vital para evitar ficar para trás na corrida da inovação.

Sobre o autor

Óscar Barba é cofundador e CTO da Coinscrap Finance. Ele é um especialista Scrum Manager with more than 6 years of experience in the collection and semantic data analytics in the financial sector, classification of bank transactions, 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 Ele é Engenheiro e Master em Engenharia Informática pela Universidade de Vigo e Master em Comércio Eletrônico pela Universidade de Salamanca. Além disso, é certificado em Gestão de Projetos e Scrum Manager pelo CNTG, possui certificação em Arquitetura SOA e Serviços Web pela Universidade de Salamanca. Recentemente, obteve a certificação ITIL Fundamentals, um reconhecimento das boas práticas na gestão de serviços de TI.

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