(Re)conheça seus clientes: fintech brasileira investe em dados e inovação para ampliar os limites do setor financeiro
Boas propostas de valor transcendem limites operacionais. Quando uma das maiores fintechs da América Latina notou um aumento avassalador no número de clientes, precisou voltar às origens e mergulhar fundo nos hábitos de seus usuários para conhecer o novo perfil do público.
Cliente: uma das maiores fintechs da América Latina.
Uma fintech de referência entre os bancos digitais cresceu cerca de 400% em 1 ano. Com uma proposta de valor clara e investimento na empresa, nas pessoas e no desenvolvimento de novas tecnologias para continuar entregando a melhor experiência aos clientes, essa fintech encantou o mercado.
Só que o crescimento acelerado trouxe também muitas dúvidas e indecisão sobre quais caminhos seguir: quem eram essas novas pessoas? Como atender esse público? Onde colocar os esforços para criar produtos e serviços que atendessem esses clientes que entraram na base? Quais oportunidades de inovação criar para fidelizar esses novos segmentos?
Em um mercado comoditizado como é o setor bancário, a experiência do usuário e o cuidado na relação com o cliente fazem a diferença. Diante disso, o compromisso era:
- Conhecer os novos clientes e suas necessidades não atendidas;
- Saber onde colocar seus esforços;
- Expandir portfólio de produtos e serviços.
O boom de crescimento vivenciado pela fintech gerou novos desafios, principalmente, acerca da expansão dos serviços.
Em adição a isso, os trâmites do auxílio emergencial em meio à pandemia adicionaram 33 milhões de novos entrantes no sistema financeiro. Uma excelente oportunidade de abraçar a expansão.
O desafio: para manter o alto nível de satisfação dos consumidores e oferecer produtos e serviços financeiros cada vez mais aderentes, é preciso entender esse novo perfil que decidiu se relacionar com o banco. E foi o que fizemos.
Como o desafio chegou muito amplo, foi dividido em 4 partes para ser digerido.
- Segmentação da população brasileira bancarizada;
- Descoberta das necessidade não atendidas;
- Criação de oportunidades de inovação para o mercado de alta renda;
- Identificação de segmentos no CRM (identificar na base quem pertencia a qual segmento identificado).
Uma das maiores fintechs da América Latina, com um exército de seguidores no Brasil – algo antes impensável para o setor bancário – não podia classificar esses novos clientes apenas por renda e faixa etária. Algo estava se perdendo. E nós estávamos determinados a encontrar.
Era preciso continuar fazendo o que os diferencia – o diferente. Colocar o usuário no centro da estratégia de negócios e mergulhar novamente em sua base para (re)conhecer as pessoas que lá estavam. Conhecê-las tão bem quanto os seus consumidores fiéis.
Para isso, o projeto foi estruturado em 4 diferentes vertentes interdisciplinares:
- Customer & Market: Benchmarks e pesquisa de mercado.
- Pesquisa quantitativa: Pesquisa de clientes, cruzamento de dados e segmentação final.
- Oportunidades de inovação: Método jobs to be done para elencar ações em uma estratégia blue ocean.
- Data Science: Data quality, análise exploratória de dados, geração de hipóteses, feature engineering, desenvolvimento de dashboards, segmentação da base CRM, comparação de segmentação, escoragem base de clientes, automação da classificação na base, documentação da segmentação.
A essência da proposta de valor era entender e enxergar o consumidor. Afinal, segmentar nada mais é do que colocar uma lente.
Foi então que unimos o Design de Serviços ao Data Science para mergulhar profundamente no perfil de clientes dentro da base de dados, identificar nuances comportamentais, além de cruzar dados de diversas naturezas, entre eles demográficos, comportamentais e atitudinais.
Nosso time de inovação liderou o processo de Design Thinking. Foram cerca de 300 horas de entrevistas exploratórias e em profundidade com clientes para descobrir o que pensam os usuários do banco digital e como se comportam.
Transformando dados em valor
Nesse case, todas as áreas envolvidas foram igualmente relevantes na cocriação do resultado. A título de aprofundamento, vamos focar em Data Science.
O projeto de Data Science começa, evidentemente, com o acesso aos dados. Inicialmente, complexo por questões de segurança da informação. Logo, sempre pensamos em estratégias para conseguir acessar os dados de forma segura tendo como base a LGPD e a governança.
Quando conseguimos acessar o banco de dados, estávamos diante de um negócio gigante: uma empresa que, de fato, é madura em dados, e nos apresentou uma base na casa de milhares de variáveis.
A característica inicial dos projetos de data science é a fase exploratória. Com uma base na casa de milhares de variáveis existe um risco muito grande de não chegar em lugar nenhum, se não soubermos quais perguntas queremos responder.
Nesse sentido, era muito importante que houvesse hipóteses para saber quais seriam nossos objetivos.
A geração de hipóteses ocorreu com workshops e entrevistas exploratórias, que foram base para realização de pesquisas em profundidade.
→ Quem seriam os heavy users de territórios financeiros?
→ Quais as características poderiam descrever o perfil deles?
No processo de feature engineering, que utiliza modelos de aprendizado de máquina para classificar as informações, foram extraídos:
- Conjunto de dados de mil variáveis;
- Criação de features com visões de perfil, uso de produto e comportamento financeiro;
- Estratégia de processamento paralelo na nuvem para conseguir, efetivamente, ter análises.
Com esses insights preliminares, já houve os primeiros entregáveis:
- Criação de dashboard de análise de clientes;
- Features disponibilizadas em um dashboard interativo
- Filtros para diferentes perfis de cliente;
- Pipeline disponibilizado para implementar.
A partir das análises levantadas, chegou o momento de questionar a segmentação que a fintech possuía. Olhamos para as 127 variáveis criadas por nós para o processo iterativo de segmentação.
- Nesse processo de gerar novas hipóteses se chegou a 14 iterações. Com essas iterações, foi possível comparar a segmentação já existente para perceber algumas fraquezas e vulnerabilidades da base
Enquanto isso, paralelamente, o time de inovação da MJV estava fazendo imersão e análise com o cliente e o mercado. A partir de critérios qualitativos, a pesquisa de inovação buscou segmentar a população bancarizada brasileira para identificar as dimensões chaves que moldam as decisões financeiras das pessoas.
Posteriormente, o time de Data Science conduziu a pesquisa quantitativa à nível Brasil para também segmentar a população bancarizada. A pesquisa tinha como ponto de partida os drivers gerados na fase anterior. Por meio de perguntas, o questionário buscava aprofundamento do comportamento e atitudes financeiras no processo de segmentação.
- Associação de perguntas e drivers;
- Categorização de macro-drivers e micro-drivers usando análise fatorial;
- Análises de clusters;
- Interpretação dos segmentos.
O time de Data Science gerava clusterização e a equipe de Inovação precisava interpretar e ver se faziam sentido do ponto de vista qualitativo.
Os clientes da fintech foram divididos com base em 8 drivers, mas outras variáveis coletadas eram utilizadas para descrever os segmentos e interpretá-los, como: demográficas, de produto, histórico, comportamento financeiro, entre outros.
Todas variáveis eram utilizadas para descrever segmentos e dar mais insights sobre que tipo de produtos poderiam ser consumidos.
O resultado foi a entrega de um material rico de informações, detalhamento e insights:
- Identificação de uma parte da base com respondentes da fintech;
- Disponibilização de clusters com clientes da fintech no dashboard desenvolvido;
- Desenvolvimento de documentação com todo o processo de segmentação;
- Registro de todas as decisões tomadas, referências e códigos utilizados. Passo a passo de tudo que foi analisado, disponibilizado também em uma interface web fácil de navegar.
Com os dados estruturados corretamente e insights gerados, a bola foi passada. Agora, a fintech tinha em mãos um verdadeiro mapa para a definição de ações e estratégias.
Insights para a tomada de decisão
Municiados pelos insights qualitativos do processo de DT e pelas hipóteses de segmentação do DS, o trabalho gerou também uma série de possibilidades e descobertas sobre necessidades não atendidas.
Estamos falando de oportunidades de inovação escaláveis para quaisquer unidades de negócio.
A entrega final consistiu em:
- Criação de 15 segmentos de clientes com características distintas.
- Estudo de mercado e pesquisa de benchmarking;
- A classificação dos clientes de acordo com o perfil comportamental e então segmentação dos esforços de comunicação e marketing para eles;
- Mapeamento de 40 oportunidades de inovação, dentro de uma estratégia de oceano azul, ou seja, em que não há concorrência direta de outros bancos;
- Priorização de 26 jobs to be done em busca do diferencial competitivo nesse novo momento de ampliação do mercado da fintech.
- Desenvolvimento de ferramentas e painéis para análise completa dos clientes.
O projeto é um marco para a fintech, pois indica quais serão os próximos passos da empresa, em uma fase muito esperada do negócio: o momento em que o movimento Change the Bank finalmente se torna o Run the Bank.
É importante frisar que o processo foi realizado a quatro mãos, com muita cooperação dos stakeholders, que entenderam que novos contextos exigem novas formas de operar – além da participação ativa no momento de priorização das ações.
Afinal, lidando com uma empresa tão disruptiva, ouvir o cliente era fundamental. E como fazer isso sem reconhecê-los a fundo?
Se você também quer conhecer seus clientes e obter insights valiosos sobre serviços e produtos, nós podemos te ajudar. Entre em contato conosco!
Voltar