Machine Learning – a inteligência que converte em vendas

Yuri Fonseca, Co-fundador da Cashu, e Lucio Rosa, Chief Data Officer e Sócio da Cashu, revelam como a Cashu aplica inteligência artificial para aumentar a conversão de vendas.

 

As formas tradicionais de negócios que demandam análise de crédito, tanto como metodologia de processo de vendas quanto como tecnologia, provaram ser limitadas. Não possuem uma abordagem baseada em dados e não fornecem recomendações estatisticamente relevantes e colaborativas no momento de fechar negócios e no pós-venda. 

 

As novas abordagens, por outro lado, têm se baseado em Inteligência artificial (IA) como suporte fim-a-fim do processo de vendas. Segundo o Gartner, pelo menos 7 em cada 10 organizações de vendas business-to-business (B2B) utilizarão vendas baseadas em IA até 2025.

 

Não deixe para amanhã a venda que você pode impulsionar agora

Você não precisa esperar até 2025. A CashU, uma fintech de soluções de crédito para indústrias, distribuidores e marketplaces B2B em fase de digitalização de seus processos de vendas, utiliza dados transacionais e modelos de machine learning (ML) para proporcionar  maiores taxas de conversão de novos clientes, aumento dos limites de créditos de clientes existentes e flexibilização dos prazos de pagamentos.

 

Os dados utilizados pela Cashu

Os dados transacionais dos clientes ou potenciais clientes são as principais fontes de dados. Alguns exemplos desse tipo de dados são: valor do crédito, limite de crédito, data de pagamento, data de emissão, data de processamento, data de vencimento, entre outros.

 

Esses dados são completados com outros tipos de dados:

  • Bases alternativas como dados de protesto de dívida, da receita federal e birôs,
  • Dados cadastrais como verificação de endereços usando o Google Street View, páginas web das empresas via redes sociais e ferramentas como o Google My Business, e até
  • Análise de sócios para avaliar se a empresa não tem aberto outras empresas em nomes de familiares para ofuscar problemas financeiros.

 Todas essas informações são utilizadas para cruzamento de bases e informações que ajudam na detecção de discrepâncias, problemas e fraudes que são então tratadas para não enviesar o modelo.

 

Desafios pela frente

A Cashu também quer usar conjuntos de dados minoritários e transformá-los em populações de dados por meio do conceito de dados sintéticos e usar esses dados para treinar um modelo baseado em Redes Neurais em parceria com a empresa portuguesa YData.

 

Com todos os desafios associados à busca por novas fontes de dados, como SCR (sistema de informações de créditos) e Open Banking, um mindset de quebra de silos entre as áreas de research, dados e produção somado ao direcionamento para as melhores práticas do mercado, vem fazendo do modelo de negócio da Cashu um case real inovador e diferenciado em relação ao mercado atual.

 

A fintech quer e vem fazendo a parte mais difícil para o seu cliente: a tomada de decisão em tempo real estipulando e flexibilizando limites de crédito e prazos de pagamento para evitar interrupções na jornada de compra de seus clientes e aumentando conversões de vendas de forma segura.

 

O modelo de Machine Learning

Passada a etapa de coleta e tratamento de dados, o próximo step é o processamento do modelo. Nesta etapa são aplicadas inicialmente 8 categorias de dados para geração de 300 novas features transformadas em informações. 

 

Utilizando as técnicas de otimização próprias do LightGBM, é possível extrair e utilizar as melhores features. Isso é feito através da agregação das informações em grupos de características, garantindo a conservação de suas propriedades estatísticas e, consequentemente, melhor precisão dos resultados nas análises de crédito.

 

Vale destacar que todo o processo é facilmente escalável por contar com uma infraestrutura em nuvem (Cloud), isto é, uma infraestrutura com disponibilidade de recursos sob demanda para toda carteira de clientes.

 

Para quem gosta de temas mais técnicos sobre IA e ML aplicado ao mercado de crédito, vale conhecer mais sobre o LightGBM. Comparado a outros modelos, o LightGBM é mais veloz no treinamento do modelo, consome menos memória, possui melhor precisão e acurácia, suporte para aprendizado paralelo e processamento rápido de dados massivos graças às técnicas de otimização GOSS e EFB.

 

A primeira técnica se preocupa em manter a fração mais contributiva das instâncias e uma subamostra aleatória entre as instâncias residuais para maior acurácia com o ganho de informações, enquanto a segunda técnica escaneia as features para encontrar grupos de características que nunca assumem valores diferentes de zero simultaneamente. 

 

O método então agrega esses grupos de características nos chamados bundles, garantindo a conservação de suas propriedades estatísticas e resultados mais precisos.

 
Texto:
Michelle Melo