InterSystems IRIS para otimização de investimento em mídias digitais utilizando dados 1st-party em instituições financeiras

InterSystems IRIS para otimização de investimento em mídias digitais utilizando dados 1st-party em instituições financeiras

Introdução

Com o advento das fintechs nos últimos anos, a quantidade de instituições financeiras no mercado brasileiro aumentou de forma exponencial e, com isso, a quantidade de contas correntes dos brasileiros. De acordo com um estudo do Banco Central do Brasil, em Outubro de 2022 a quantidade média de contas correntes por pessoa no Brasil era de 5,2, um aumento de 142% quando comparado com Dezembro de 2012, quando essa média era de 2,1 contas por CPF.

Neste cenário, é virtualmente impossível que uma pessoa tenha um relacionamento efetivamente ativo com todas as instituições financeiras com a qual tenha relacionamento. Assim sendo, um dos grandes obstáculos encontrados nas instituições financeiras nos últimos tempos é a aquisição de clientes qualificados, isto é, clientes que tem não só um poder aquisitivo atrativo, mas também que possuam um bom nível de engajamento com a instituição financeira.

Para se comunicar com estes clientes (tanto existentes quanto potenciais), uma das opções mais efetivas é o uso de marketing digital, isto é, comunicação por meio de plataformas digitais. Tal comunicação pode ser feita de duas grandes formas:

1. Disparo de mensagens diretamente às caixas de email ou telefone (SMS, Whatsapp) desejados
2. Veiculação de mídia, que pode ser em sites (tanto sites de busca, por ex: Google, Bing, quanto em sites de conteúdo no geral), aplicativos, vídeos exibidos em sites especializados, ou redes sociais em geral, como. Facebook e Instagram.

No caso de disparo de mensagens, devemos informar quais são os alvos das mensagens em questão (email ou telefone). Já no caso da veiculação de mídia, geralmente podemos informar ou os alvos em específico (email ou telefone) ou ainda informar perfis (e.g. pessoas que demonstram interesse por viagens ao exterior) desejados como alvo de campanha de publicidade. Portanto, para uma comunicação digital efetiva, devemos detectar, com bom nível de acurácia:

1. Identificar quais são os públicos-alvos para suas campanhas de publicidade, principalmente:

• Quais são os clientes com potencial (isto é, com quais clientes é melhor investir os recursos)
• Qual a melhor mensagem para cada cliente (isto é, qual é a melhor oferta para cada cliente)

2. Conseguir informar para as plataformas de mídia digital quem são as pessoas que devem ser atingidas por suas campanhas de publicidade

Para atingir estes objetivos citados acima, muitas vezes é necessário uma análise de dados complexa além de uma orquestração de fontes de dados e sistemas de informação diversos para tratar e compartilhar os dados da forma devida.

1st-party data

First party data é um termo utilizado na área de marketing e publicidade digital para se referir aos dados coletados diretamente por uma empresa a partir de seus próprios canais e interações com os usuários. Esses dados são obtidos quando um usuário se engaja com um site, aplicativo, e-mail marketing ou qualquer outra forma de interação direta com a empresa.

Estes dados são considerados altamente valiosos porque são específicos da empresa e geralmente são mais precisos, confiáveis e com maior quantidade de informações do que outros tipos de dados. Eles podem incluir informações demográficas, como nome, idade, sexo, endereço, bem como dados comportamentais, como histórico de compras, preferências do cliente, atividades no site, informações de conta, entre outros.

Com isso, é possível entender melhor seus clientes, personalizar experiências, segmentar campanhas de marketing, melhorar o atendimento ao cliente e tomar decisões estratégicas mais embasadas.

Possibilidades de uso da plataforma IRIS

Em um caso padrão, temos os clientes finais, que interagem com os sites e aplicativos da instituição financeira. Estes sistemas coletam e armazenam os dados nos seus respectivos bancos de dados.

Estes dados passam por tratamento de dados, onde são aplicadas regras de negócio da instituição e o resultado destes tratamentos podem ser gravados tanto em bases de dados quanto em arquivos físicos, a depender de cada sistema.

Nesse cenário, a plataforma IRIS tem o potencial de trazer valor em diversas frentes:

• Machine learning: uma delas é na elaboração de modelos de machine learning, utilizando as tecnologias de aprendizado de máquina disponíveis no IRIS (AutoML / IntegratedML) para criação de modelos de forma ágil e simplificada, reduzindo o tempo necessário para execução de testes com o intuito de encontrar o melhor modelo para os fins desejados.
• Unificação de fontes de dados: a alta capacidade de manipulação de dados do IRIS permite que se unifique as diversas fontes de dados em um único local que permitirá a análise de dados com uma performance líder de indústria
• Integração de sistemas: além do uso de Object Script,  é possível desenvolver códigos em Python que rodam diretamente na plataforma IRIS, de forma gerenciada. Além disso, também é possível desenvolver códigos em Python, Node.JS, Java e .Net utilizando os SDKs nativos do IRIS para desenvolvimento de integrações de sistemas.

O diagrama abaixo ilustra uma visão macro deste cenário

Caso de uso

O cenário proposto é o de utilização de dados de transações de cartões de crédito para elaboração de propostas mais assertivas de upsell (troca de cartão por outro de maior valor agregado) e cross-sell (oferta de outros produtos da instituição).

Para tanto, se faz necessário processar as transações de cartões e avaliar qual o padrão de consumo de cada cliente, entender se o perfil onde o cliente se enquadra está de acordo com seus gastos e então decidir qual a melhor oferta a ser feita.

Solução Proposta

1. Ingestão de dados

Importar os dados existentes em diversas fontes de dados (banco de dados, arquivos físicos, etc) para o IRIS para conseguir realizar análises de forma mais eficiente, com menor custo e tempo de execução

2. Detecção de perfis

Pode-se utilizar os modelos de Machine Learning do IRIS para clusterizar os clientes dentro de categorias pré-definidas, que podem ser de diversas dimensões distintas, como por exemplo:

• Nível de gasto: podemos definir um conjunto de perfis de gastos, onde podemos analisar tanto os gastos nos últimos N meses para detectarmos se o cliente mantém um nível alto de compras, ou se é algo mais esporádico
• Quais tipos de gastos: os gastos podem ser categorizados para melhor análise e compreender quais categorias os clientes fazem mais compras
• Previsão de futuros gastos: prever quais clientes precisam de maior limite de cartão no futuro próximo
• Nível de risco: analisar quais clientes apresentam um maior nível de risco e quais apresentam menores níveis

A partir dessas classificações, é possível elaborar campanhas de comunicação para públicos definidos e ter maior eficiência no investimento em marketing digital

3. Integração de sistemas

Com as classificações feitas, o próximo passo é realizar a integração de sistemas, isto é, enviar os dados para as ferramentas de mídia digital (veiculação de mídia e disparo de mensagens).

Esta integração pode ser desenvolvida utilizando as SDKs nativas do IRIS (Python, Node.JS, Java, .Net) ou ainda utilizando Object Script e Python de forma gerenciada no IRIS, a depender das preferências da equipe de TI da instituição. 

4. Configuração das ferramentas de marketing digital

Por fim, o time de marketing terá os dados disponíveis para implementar as campanhas de marketing correspondentes e alcançar de forma mais eficaz seus potenciais clientes.

Conclusão

Podemos verificar um caso de uso multidisciplinar da plataforma IRIS em um cenário de uma instituição financeira. Seguramente, existem diversas alternativas onde, com poucas variações, conseguimos enxergar a aplicabilidade do IRIS em diversas indústrias e casos diferentes de uso.

Um dos ganhos mais evidentes é o uso de tecnologias de machine learning embutidas na plataforma, o que traz vantagens diretas da unificação de dados dentro do IRIS.

Por fim, a possibilidade de desenvolver códigos em diversas stacks de desenvolvimento é algo importante a ser observado, com especial destaque para a execução de código Python de forma gerenciada dentro da plataforma IRIS, o que traz simplificação de manutenção de infra-estrutura para códigos de integração de sistemas.