Experiências da Carpa Analytics
- Frederico Gonzalez Colombo Arnoldi
- 31 de mar.
- 8 min de leitura
Atualizado: há 8 horas
Agenda
Introdução
Experiências da Carpa Analytics
Formas de engajamento
Plataforma
Conclusão
Introdução
A Carpa Analytics apoia empresas em sua jornada de otimização operacional e transformação digital por meio de diferentes modelos de engajamento, totalmente adaptáveis às necessidades de cada organização.
Neste artigo, você encontrará os principais temas de atuação, serviços, plataformas e parceiros utilizados.
Experiências da Carpa Analytics
Com a filosofia de "se o valor não estiver lá, nada mais importa", ao longo de anos de atuação, geramos valor para mais de 20 empresas de segmentos como seguradoras, saúde, telefonia, energia, agronegócio e instituições financeiras, tornando-nos uma referência dessas áreas.
Nessas iniciativas desenvolvemos soluções especializadas que buscaram atender as necessidades operacionais e financeiras de cada uma das empresas e áreas. Seguem alguns exemplos:
S&OP
S&OP Se o planejamento das vendas e da operação é a coluna vertebral de indústrias e varejistas, entre outros, a previsão de vendas é o coração ou o cérebro. Quando feita com qualidade, suporta a otimização da gestão de estoques de matérias-primas, da programação de produção, do dimensionamento das necessidades de recursos humanos, e também de alguns processos de abastecimento da cadeia de vendas.
A dificuldade em aprimorar as previsões em empresas com vasto portfólio de produtos reside na inviabilidade de análises individualizadas detalhadas, levando à adoção de métodos de previsão simplificados e de baixa eficácia preditiva, o que resulta em erros de estimativa, ineficiências operacionais e custos significativos.
A solução que normalmente desenvolvemos para esse problema passa por implementar métodos automatizados de previsão individualizada com machine learning. Nessas soluções, conseguimos melhorias de previsibilidade variando entre 9%-30%, assim como a redução de trabalho e tempo dedicado no processo superiores a 50%.
Os principais setores em que atuamos e que podem se beneficiar desse tipo de solução são a indústria, os atacadistas e varejistas, assim como o setor de saúde.
Se você quiser saber mais, temos um artigo que detalha vários aspectos de uma solução como essa para a indústria e varejistas. Você pode acessá-lo aqui: “Previsão de vendas: Desafios e soluções com Machine Learning”. Para entender como pode ser utilizado no setor de saúde, otimizando a escala médica, acesse esse outro artigo: “Como o Machine Learning tem melhorado a operação dos hospitais”.
Precificação e Aceitação de Riscos Financeiros
Um processo estruturado de aceitação de riscos e precificação é fundamental para a sustentabilidade financeira, eficiência operacional e competitividade de qualquer empresa, especialmente no setor de seguros e serviços financeiros. Envolve equilibrar a necessidade de assumir riscos para gerar receita, com a necessidade de proteção patrimonial para, no fim, gerar e aumentar a margem e o lucro das organizações.
Subprecificar ou diminuir as exigências durante a aceitação, aumentam as receitas, mas pode também descontrolar os sinistros, gerando prejuízos. Por outro lado, aumentar as exigências e mesmo o preço, podem “empurrar” o bom cliente para a concorrência, diminuindo receita sem diminuir sinistros. Só uma estratégia balanceada permite aumentar receitas, sem aumentar sinistros na mesma proporção, isto é, reduzindo a sinistralidade.
O grande desafio está na capacidade de prever o risco de maneira individual. Assim, com auxílio de machine learning, estruturamos soluções que permitem prever com maior precisão o risco de cada potencial cliente, permitindo a devida precificação e embasando a decisão de aceitar ou não novos clientes. Já tivemos casos em que melhoramos a capacidade preditiva em +20%, além de conseguir prever em uma granularidade muito maior, quando comparado ao processo anterior.
Os principais setores em que atuamos e que podem se beneficiar desse tipo de solução são bancos, financeiras e fintechs, seguradoras e operadoras de saúde.
Para saber mais acesse o artigo “Como a IA Tem Efetivamente Gerado Aumento de Receitas e Diminuição das Despesas nas Operadoras de Saúde”.
Há também casos de uso públicos no Brasil desenvolvidos com a plataforma DataRobot que se conectam diretamente a esse tema. Um exemplo é o caso “BizCapital aprimora modelos de crédito com Inteligência Artificial da DataRobot”, voltado à avaliação de risco de crédito e apoio à decisão de concessão. Outro exemplo é o “Banco Bmg adota inteligência artificial para aprimorar atendimento e segurança no WhatsApp”, que envolve o uso de modelos para aumentar a segurança e apoiar decisões em operações financeiras. Esses exemplos, assim como outros, podem ser consultados na página dedicada à DataRobot.
Detecção de Fraudes
A detecção de fraudes é um tema central para empresas que lidam com grandes volumes de transações ou processos suscetíveis a desvios de conduta que têm impacto financeiro. Assim, processos como esse, são essenciais para garantir a integridade das operações, da marca e a sustentabilidade financeira da própria empresa. Trata-se de identificar comportamentos atípicos que possam indicar tentativas de fraude, antes que gerem impactos relevantes.
O desafio está na sofisticação e na constante evolução das fraudes, que tornam regras fixas cada vez menos eficazes. Além disso, existe um equilíbrio delicado entre ampliar a capacidade de detecção (sensibilidade do processo) e evitar falsos positivos (aumentar a precisão dos alertas), que podem desde prejudicar a experiência do cliente, perda de receita ou mesmo aumento de despesas.
Para lidar com esse cenário, utilizamos modelos de machine learning capazes de identificar padrões complexos e comportamentos fora do padrão esperado, muitas vezes não perceptíveis por análises tradicionais. Essas soluções permitiram priorizar casos com maior probabilidade de fraude (geralmente aumentamos a precisão dos alertas em 3-4x, em alguns casos mais), e apoiaram as investigações (geramos explicações das previsões, que direcionam as investigações manuais), aumentando a confirmação de casos que anteriormente seriam descartados.
Praticamente todos os setores da economia se beneficiam de soluções como as que desenvolvemos. Porém percebemos que seguradoras, operadoras de saúde, instituições financeiras e empresas com operações digitais são as mais beneficiadas.
Exemplos práticos no Brasil ajudam a ilustrar esse tipo de aplicação com o uso da plataforma DataRobot. Um deles é o caso “Seguros Unimed utiliza Machine Learning para economizar R$ 7 milhões anuais na detecção de fraudes”. Outro exemplo é o “Tokio Marine adota DataRobot para impulsionar eficiência com Machine Learning”, também com aplicações relacionadas à prevenção de fraudes. Esses exemplos, assim como outros, podem ser consultados na página dedicada à DataRobot.
Marketing, CRM e Inteligência Comercial
Em Marketing, CRM e Inteligência Comercial, abordagens genéricas tendem a gerar baixo engajamento, enquanto excessos de contato podem impactar negativamente a experiência do cliente. Uma estratégia nesse contexto é criar grupos ou “clusters” de clientes e passar a atuar de maneira segmentada. Apesar de uma decisão correta, surgem dois desafios: 1) como definir esses grupos? 2) para obter perfis homogêneos, é necessário trabalhar com uma quantidade relativamente grande de clusters, o que torna a gestão dessa estratégia trabalhosa e, em muitos casos, inviável sem automação.
A aplicação de modelos de machine learning pode ajudar na identificação desses perfis. Por exemplo, modelos que geram scores de propensão de recompra, de compra de novos produtos (cross-sell) ou de produtos superiores (up-sell), ajudam a identificar os clientes que devemos atuar para aumentar a frequência, recorrência ou valor. Por outro lado, modelos de propensão à conversão para novos clientes ou de cancelamento (churn), ajudam a identificar em quais clientes devemos investir para manter ou aumentar a carteira de clientes.
E com cada um dos leads ou clientes “escorados” em cada uma dessas dimensões, é possível estratificar a base de maneira bem objetiva (solução para o desafio #1). Com auxílio de uma ferramenta de disparo de mensagens ou de personalização de ofertas (solução para o desafio #2), tornamos a relação com clientes mais significativa, aumentando a relevância das interações e, consequentemente, melhorando indicadores como conversão, retenção e valor ao longo do ciclo de vida do cliente.
Na Carpa Analytics já desenvolvemos e colocamos dezenas desses modelos em produção, com resultados que aumentaram as taxas de conversão entre 25-40%, ou que reduziram os investimentos em contatos em até 4x, mantendo o mesmo resultado operacional.
Praticamente todos os setores da economia se beneficiam de soluções como as que desenvolvemos. Mas em nossa experiência, os setores que mais se beneficiam desse tipo de solução são varejistas, digitais ou não, telecomunicações e serviços financeiros.
Se você quiser ver alguns casos públicos, com uso da plataforma DataRobot, que também ilustram esse tipo de abordagem, seguem algumas reportagens: “Smiles utiliza Machine Learning para aprimorar modelos preditivos e elevar experiência do cliente”, com foco em CRM e personalização. Outro é o “Philip Morris Brasil transforma relacionamento com o varejo por meio de plataforma de inteligência artificial da DataRobot”, com aplicações em trade marketing. Esses exemplos, assim como outros, podem ser consultados na página dedicada à DataRobot.
Processos administrativos
A automação de processos administrativos permite estruturar e simplificar fluxos operacionais, reduzindo atividades manuais e aumentando a agilidade na execução das tarefas. Esse tipo de iniciativa é relevante para áreas que lidam com alto volume de operações repetitivas e que demandam padronização.
Um dos principais desafios está na dependência de atividades manuais, muitas vezes sujeitas a erros, retrabalho e baixa escalabilidade. Além disso, processos pouco estruturados podem gerar ineficiências operacionais e dificultar o acompanhamento e controle das atividades.
Para lidar com esse cenário, utilizamos soluções de automação que permitem (semi) automatizar tarefas, integrar sistemas e organizar fluxos de trabalho de forma mais eficiente. Essas iniciativas contribuem para a redução de custos operacionais, aumento da produtividade e melhoria na qualidade das entregas, além de liberar as equipes para atividades de maior valor agregado.
Diversos setores se beneficiam desse tipo de solução, especialmente aqueles com alto volume de processos administrativos e operacionais. Exemplos incluem serviços financeiros, indústria, saúde e telecomunicações.
Aplicações desse tipo podem ser observadas em diferentes contextos, como automação de rotinas financeiras, processamento de documentos, conciliações e integração entre sistemas. Na prática, isso permite maior controle sobre os processos e ganhos de eficiência ao longo da operação.
Formas de engajamento
Atuamos com diferentes modelos de engajamento, que são personalizados conforme a necessidade de cada empresa em sua jornada de otimização operacional e transformação digital. Alguns formatos:
> Consultoria
Apoiamos consultivamente as empresas tanto no desenvolvimento da estrutura organizacional e processos, mas também no desenho de produtos e soluções onde dados e I.A. artificial estão no ‘core’.
> Treinamentos e Mentorias
Se você precisa de um pouco mais de apoio, temos um programa de capacitação e acompanhamento para sua equipe. Como o treinamento, garantimos a visão geral do processo e acesso aos conceitos e boas práticas mais importantes. Com a mentoria, aplicamos o conceito de “learning by doing”, onde acompanhamos e garantimos que seu time desenvolva os primeiros projetos desdobrando essas melhoras práticas em Data Science e Machine Learning, extraia o potencial máximo da nossa plataforma parceira, a DataRobot, e chegue até a produção. Além de gerar resultados, garantimos que os conceitos e boas práticas sejam vivenciado em situações reais.
> Execução de Projetos
Quando necessário, seja por falta de “capacity” ou mesmo necessidade de resultados mais rápidos, executamos nós mesmos os projetos, e de ponta a ponta. Fazemos o discovery, o desenho e validação, e então seguimos para o planejamento, execução Ao final, apoiamos no monitoramento dos resultados em produção. Nosso core está nos projetos onde um processo ou decisão será embasada ou automatizado com dados e inteligência artificial.
> Licenciamento da Plataforma DataRobot
A plataforma DataRobot, é uma esteira de Data Science e IA que tem como objetivo, padronizar, dar produtividade e democratizar esses temas nas organizações, consequentemente, acelerando a inovação. Somos parceiros oficiais e podemos apoiá-los no licenciamento do acesso à essa plataforma que é líder no quadrante de DSML da Gartner por vários anos seguidos.
Para saber mais sobre a nossa forma de atuação, acesse a página “Atuação”.
Plataformas
Somos agnósticos de ambiente e plataformas, porém temos maior experiência no desenvolvimento sobre os produtos da AWS (S3, Athena, EMR, Airflow, etc) e DataRobot, usando Python e pySpark.
Conclusão
Ao longo deste artigo, apresentamos alguns dos nossos principais temas de atuação, que refletem as nossas capacidades técnicas, a experiência acumulada em diferentes contextos de negócio e a busca contínua pela geração de valor real para cada cliente.
O trabalho parte da máxima “somos apaixonados por problemas de negócio e suas soluções”, ou seja, da compreensão do contexto de cada empresa, seus desafios e objetivos, para então estruturar soluções aplicáveis e sustentáveis ao longo do tempo.
Esse conjunto de elementos direciona a forma como a Carpa Analytics estrutura e conduz suas iniciativas.
Autores do artigo: Frederico Arnoldi e Marina de Lespinasse
Comentários