Banca
Trabalhamos com instituições financeiras e fintechs em Espanha
Modelos de aprovação baseados em variáveis tradicionais que subvalorizam clientes solventes sem histórico de crédito formal ou que não detetam sinais precoces de deterioração na carteira existente.
Padrões de fraude em evolução contínua — cartões, transferências, usurpação de contas — enquanto os sistemas baseados em regras se atualizam com semanas de atraso.
Campanhas massivas com baixa conversão, porque o produto chega ao segmento errado no momento errado. O cliente vê a oferta de crédito à habitação três meses depois de precisar dela.
Pedidos sobre movimentos, produtos e operações que saturam o call center e a app com perguntas que um modelo resolveria em segundos.
01
Modelos que enriquecem o scoring tradicional com variáveis de comportamento transacional, padrões de utilização da conta, sinais de comportamento de pagamento e fontes de dados alternativas. Melhor discriminação entre bons e maus pagadores — e acesso a segmentos sub-bancarizados pelo scoring clássico.
O que muda
Incumprimento precoce reduzido em 15–25% na nova carteira onde o modelo é aplicado. Taxa de aprovação melhorada para clientes solventes sem histórico formal.
02
Modelos que pontuam cada transação em milissegundos face aos padrões de comportamento normais do titular: montante, hora, geolocalização, velocidade e sequência. As transações suspeitas são bloqueadas ou sujeitas a validação adicional — as normais não geram qualquer atrito.
O que muda
A taxa de deteção de fraude melhora 40–60% face a sistemas de regras estáticas. Menos falsos positivos (transações legítimas bloqueadas) — menos atrito para o cliente.
03
Um modelo de propensão por produto (crédito à habitação, crédito pessoal, fundos, seguros) treinado com o comportamento do cliente: mudanças de salário, movimentos de poupança, vencimentos próximos. O gestor de cliente recebe a oferta certa, para o cliente certo, no momento certo.
O que muda
A conversão das campanhas melhora 25–40% face a campanhas não personalizadas. Clientes contactados com ofertas relevantes — não com o catálogo inteiro.
04
Um assistente na app, no site e no WhatsApp que resolve pedidos sobre movimentos, saldos, produtos, operações e reclamações. Conhece o contexto do cliente e transfere para um gestor humano quando surge negociação ou complexidade real.
O que muda
Redução de 55–70% dos pedidos simples no call center. App bancária com resolução instantânea das 80 perguntas mais frequentes. Os gestores dedicam o tempo aos clientes de maior valor.
05
Modelos que detetam sinais de deterioração do crédito na carteira existente: mudanças no padrão de despesa, maior utilização do crédito, irregularidades nos pagamentos. O gestor recebe alertas 60–90 dias antes de aparecer uma prestação em falta.
O que muda
A taxa de recuperação na gestão precoce é 3–5 vezes superior à recuperação após o incumprimento. Provisões reduzidas graças a um menor incumprimento nas carteiras geridas de forma proativa.
3–4 semanas
Auditoria dos dados disponíveis, da qualidade do histórico de crédito e transacional e dos processos críticos. Identificamos os 2–3 casos com ROI defensável perante o comité de risco.
10–16 semanas
Implementação de scoring melhorado, deteção de fraude ou monitorização da carteira num produto ou segmento definido.
6–10 meses
Para instituições que querem a IA consolidada em risco, fraude, ofertas e atendimento sobre uma arquitetura de dados comum.
A conformidade é uma restrição de desenho. Os modelos de scoring e de fraude são desenvolvidos com explicabilidade documentada (variáveis usadas, peso relativo, lógica de decisão), backtesting estatístico formal e documentação para auditoria do supervisor ou do responsável de compliance interno. As orientações da EBA sobre a utilização de machine learning no crédito fazem parte do enquadramento de desenvolvimento.
Com a base legal adequada (interesse legítimo para a fraude, execução do contrato para o scoring), sim. O encarregado da proteção de dados da instituição participa desde o início para validar a base legal e o tratamento. Os dados não saem do perímetro da instituição.
A consolidação dos dados é quase sempre o primeiro entregável em projetos de banca. O diagnóstico mapeia exatamente que dados estão em que silo e propõe a arquitetura de integração. Não é um bloqueio — é trabalho de projeto.
Diagnóstico: 8000 €–15 000 €. Piloto (scoring ou fraude num produto): 45 000 €–90 000 €, consoante o volume e a complexidade. Plataforma completa: 150 000 €–300 000 €+ ao longo de vários meses. Em instituições de média dimensão, o ROI da fraude evitada ou do incumprimento reduzido cobre normalmente o piloto no primeiro ano.
É o ponto de partida perfeito. Auditamo-lo, identificamos onde está a deixar valor por aproveitar (segmentos subvalorizados, variáveis que não usa, sinais de deterioração que lhe escapam) e propomos melhorias incrementais ou um modelo challenger a correr em paralelo antes de substituir o atual.