SETOR FINANCEIRO
“A MELHORIA DA PRECISÃO DOS MODELOS DE RISCO E ANÁLISE DE NECESSIDADES DOS CLIENTES É FUNDAMENTAL PARA AMPLIAR A PERFORMANCE”
A aplicação de modelos de Data Science e Analytics é fundamental dentro do setor financeiro. Desde a aplicação de modelos de probabilidade de default para cálculos de risco de crédito, modelos para diversificação de portfólios de investimentos, gerenciamento dos clientes e otimização da rede de atendimento, o desenvolvimento de modelos que tenham melhor capacidade de previsão e explicação é um diferencial competitivo nestas organizações.
Adicionalmente, ampliar a capacidade de previsão com modelos mais sofisticados e robustos nesse segmento pode auxiliar no processo de tomada de decisão em alocação de recursos e precificação para novos produtos financeiros, como planos de previdência e saúde para segmentos de saúde suplementar e seguradoras.
CONSTRUÇÃO E CAPTAÇÃO
-
Levantamento de dados socioeconômicos de bancos de dados públicos para utilização em modelos de gerenciamento de risco e prospecção de mercados,
-
Desenvolvimento de questionários estruturados para levantamento de dados de clientes quanto à avaliação da qualidade de serviços,
-
Aplicação de modelos de data mining para prospecção de informações e possíveis oportunidades de negócio com o público alvo como, por exemplo, serviços de financiamento e investimento.
DIAGNÓSTICO
-
Identificação e análise prévia das bases de dados para verificar quais melhores ferramentas podem ser aplicadas a questões como, por exemplo, precificação de planos de saúde em função de características do cliente e de entorno, custos com não recebimento baseados em informações adicionais do contratante,
-
Tratamento das bases de dados existentes com identificação de possíveis outliers, dimensão amostral e ajustes em dados para aplicação de técnicas de Data Science.
-
Estruturação e elaboração de POC´s.
DATA SCIENCE E ANALYTICS
-
Desenvolvimento de modelos mais eficientes em modelagem de probabilidade de default para definição de escores para financiamento,
-
Aplicação de modelos lineares e não lineares para verificação de determinantes de sinistros em planos atuariais em áreas como saúde ou propriedade (manutenção predial ou veicular).
-
Desenvolvimento de modelos robustos de analytics, big data, machine learning e deep learning para fins preditivos e/ou de otimização de recursos materiais, humanos e financeiros,
-
Utilização de toolboxes como Python, Java, R, Hadoop, Spark, SAS, Stata e SPSS para implementação de scripts e rotinas, estimação de modelos e obtenção de outputs propícios à tomada de decisão.
IMPLEMENTAÇÃO PARA TOMADA DE DECISÃO
-
Análise conjunta dos resultados junto à equipe gestora, relacionando os resultados encontrados aos objetivos e projetos de implementação no processo decisório de gestão da empresa,
-
Treinamento das equipes no processo de alimentação dos bancos de dados para elaboração das técnicas de Data Science no processo de tomada de decisão contínua (como, por exemplo, modelos de precificação de prêmios de seguro).
