A inteligência artificial começa a transformar a forma como empresas analisam a jornada financeira. Ao processar grandes volumes de dados em tempo real, modelos de IA conseguem identificar padrões associados a determinados comportamentos e reconhecer sinais que, historicamente, antecederam diferentes situações ao longo da jornada. Essa capacidade preditiva permite transformar dados de interação em inteligência para o negócio, ajudando empresas a identificar pontos de fricção, antecipar possíveis desistências e entender quando uma determinada situação exige uma atuação diferente.

A lógica não é “prever” exatamente o que uma pessoa fará, mas identificar padrões associados a determinados comportamentos. Enquanto uma análise tradicional pode considerar informações isoladamente, como renda, valor, prazo ou histórico, modelos de machine learning conseguem cruzar essas variáveis e identificar correlações ou causalidades que não seriam necessariamente percebidas em uma análise humana.

“Um dos grandes ganhos da IA está na capacidade de encontrar relações entre diferentes variáveis. O modelo consegue aprender, a partir dos dados, quais padrões historicamente antecederam determinados eventos e reconhecer quando essa combinação volta a aparecer”, explica Anderson Silva, COO e cofundador do Klubi,  fintech autorizada pelo Banco Central a oferecer crédito por meio de consórcios.

No mercado financeiro, nem sempre os sinais de uma possível desistência aparecem de forma isolada. Muitas vezes, esses sinais surgem a partir de uma informação que não foi compreendida, uma condição interpretada de maneira equivocada ou uma decisão tomada sem considerar determinado aspecto do produto.

“Um consumidor pode, por exemplo, começar perguntando sobre prazo, depois questionar valores, voltar ao prazo, perguntar sobre cancelamento e, por fim, levar mais tempo do que o habitual para concluir uma contratação”, aponta Silva. Para ele, isoladamente, nenhuma dessas ações necessariamente indica um problema. Em conjunto, porém, podem indicar dificuldade de compreensão ou maior probabilidade de desistência.

É nesse tipo de análise que entram técnicas como detecção de anomalias, classificação, modelos preditivos e processamento de linguagem natural. Entre os sinais analisados podem estar a frequência e a sequência das interações, mudanças de comportamento, tempo entre etapas da jornada, recorrência de determinadas dúvidas, linguagem utilizada e histórico de decisões.

No caso do Klubi, um dos principais padrões associados à desistência está relacionado ao imediatismo na busca por crédito. A expectativa de acesso rápido ao dinheiro aparece como uma das principais objeções durante as negociações e também como um dos fatores que mais levam ao abandono. De acordo com Silva, isso ocorre, em parte, porque alguns consumidores confundem o funcionamento do consórcio com o de um empréstimo: entram na jornada esperando acesso imediato ao crédito e, ao perceberem que precisam esperar para serem contemplados, acabam desistindo ou contratando sem compreender plenamente a dinâmica do produto.

A partir da análise das conversas, o desafio passa a ser identificar esse comportamento ainda durante a negociação e trabalhar o início de um planejamento ou uma estratégia de lance para acelerar a conquista no consórcio. A IA pode, nesse contexto, ajudar o consumidor a compreender a lógica do produto e avaliar se aquele modelo faz sentido para sua necessidade.