Fique por dentro! Assine nossa newsletter

12/17/2020
Por
MJV Team

Conheça 4 cases de Data Science da MJV

“Sem dados você é apenas mais uma pessoa com uma opinião”. A frase foi dita no século passado por Edward Deming, mas parece que foi ontem, não é verdade? Está mais claro do que nunca que o mindset data-oriented é o pilar para a tomada de decisão e para o processo de inovação.

No entanto, mesmo com as ferramentas e técnicas que temos disponíveis hoje, muitas organizações encontram dificuldades para se guiarem pelos dados que têm. 

Pensando nisso, trouxemos 4 cases de Data Science para inspirar nossos leitores e mostrar que o caminho para tirar valor dos dados está aberto. Aprenda na prática como a MJV já usou a Ciência de Dados.

1. Indicador de propensão à fraude

Um cliente da MJV do ramo de seguros tinha uma dor muito grande: identificar, com ferramentas de visualização de dados, os casos propensos a fraudes ou pedidos de exames desnecessários em processos. 

O desafio

A ideia era analisar milhares de pedidos diários de reembolso de seguro de saúde para identificar padrões comportamentais de uma fraude chamada quebra de recibo.

O grande desafio foi reunir, ordenar, estruturar e visualizar todos os dados, que antes eram desestruturados e não serviam para a geração de insights e tomada de decisão. 

A solução

A MJV utilizou a estrutura DataBase Oracle para armazenar, estruturar e cruzar os dados. A ideia foi agir em duas frentes diferentes:

  • Usamos o Database para integrar os dados coletados dos sistemas de reembolso. Assim, foi possível armazenar e processar os dados digitais que eram variados e desestruturados
  • Organizamos Dashboards para a visualização dos dados específicos relacionados à prevenção de fraudes.

O resultado

Com a ferramenta, a seguradora agora é capaz de processar aproximadamente 10 mil pedidos de reembolso por dia. Assim, automatizou a identificação de sinistros que apresentam possibilidade de fraudes.

Os dashboards fornecem toda a visualização necessária para a tomada de decisão, em tempo real. Além disso, agora é possível fazer uma análise mais acurada e focada nos casos realmente propensos à fraude.

→ Quer aprender mais sobre Data Science? Então baixe agora mesmo o nosso livro Design Driven Data Science e descubra como realizamos a nossa abordagem!

Acesse grátis

Design Driven Data Science

Integrando Design Thinking com Aprendizado de Máquina para soluções em negócios.

2. Repensando o Marketing Execution Score

Dessa vez, uma empresa do ramo de FMCG procurou a MJV para analisar e utilizar de maneira adequada os dados disponíveis para melhorar o impacto das suas estratégias comerciais.

O Marketing Execution Score avalia a capacidade de uma loja de implementar estratégias de marketing e vendas que foram designadas a ela. Acontece que era preciso entender como a métrica funcionava de fato e identificar padrões. 

O desafio

Nem sempre as lojas com um Marketing Execution Score elevado apresentavam volumes altos em vendas. Tivemos que sintetizar, clusterizar e analisar os dados disponíveis para entender quais eram os parâmetros que se correlacionaram com o volume de vendas.

Apenas fazendo esse tipo de identificação seria possível estabelecer as melhores práticas e definir onde os investimentos aconteceriam no futuro.

A solução

A MJV utilizou Python, Jupyter Notebook e Sklearn como ferramentas para analisar os dados. A partir disso, fez a clusterização das lojas e testou hipóteses estatísticas dentro dos clusters criados. Fomos capazes de entregar o comportamento do volume de vendas pelos níveis de execução.  

O resultado

Além da clusterização, a MJV entregou a análise de performance, avaliações estatísticas por canal de vendas e sugestões de reavaliação do impacto dos itens no score geral das lojas. 

Assim, estabelecemos novos parâmetros para o cliente considerar na hora de definir os scores. Isso foi fundamental para melhorar a visibilidade da empresa e decidir onde os investimentos ocorreriam.

3. Modelos de segmentação para lojas pop-up

Outro case interessante da MJV foi a criação de modelos de segmentação para lojas pop-up, ou flash stores. 

O cliente era do ramo de seguros e o projeto envolveu competências em áreas como Inteligência Artificial, GeoMarketing, Design Thinking e, é claro, Data Science.

O desafio

O grande desafio da MJV era criar um modelo de segmentação baseado em dados que conseguisse cruzar dados da base do cliente com o censo. Assim seria possível entregar a melhor experiência e personalização de acordo com a localização das lojas.

Com isso, se esperava redefinir tanto o espaço de vendas quanto a experiência que os corretores promoveriam, trazendo leads de grande qualidade. Além disso, seria possível criar jornadas personalizadas.

A solução

Pegamos a base de dados e utilizamos a análise exploratória para ter insights. Depois disso, utilizamos modelos de clusterização com IA e, com apoio de APIs para mapear as informações de latitude e longitude, fizemos um update na base de dados e integramos com uma ferramenta de visualização.

Assim, o cliente teve acesso a uma plataforma data-driven, que possibilita a segmentação por áreas e de acordo com o demográfico da população. Uma combinação perfeita entre fontes internas e externas de dados.

O resultado

Conseguimos fazer o redesign da experiência de vendas, o que melhorou a presença da marca e levou a um relacionamento mais próximo entre os corretores e clientes.

Além disso, foi possível criar uma estratégia para posicionar as lojas e identificar audiências que façam sentido, além de criarmos ofertas personalizadas para cada uma delas.

4. Bolsa de Valores e Design Driven Data Science

Por fim, vamos apresentar o case sobre uma das maiores bolsas de capitais do mundo. Nesse caso, a MJV foi procurada para prototipar um serviço de entrega de dados sob demanda com os dados de fechamento do mercado.

O uso de ferramentas de automação para obter esse tipo de retorno é uma prática cada vez mais comum nesse mercado e coube a nós fornecer esse tipo de solução para o cliente.

O desafio

As informações eram disponibilizadas apenas ao final do dia e de forma fragmentada. Era necessário compilar dados de 15 mil fontes para diversos tipos de usuário.

Por conta disso, havia uma falta de sincronia entre o fechamento dos mercados e a atuação dos analistas. O modelo anterior também exigia um trabalho exaustivo de cruzamento de dados pelas equipes de TI — o que gerava longas jornadas de trabalho.

A solução

A MJV uniu o Design Thinking com o Data Science para prototipar a solução para o cliente. O trabalho foi dividido em três partes:

  • Imersão, com profissionais alocados na Bolsa em parceria com a equipe de inovação, para entender como os dados eram trabalhados;
  • Clusterização dos dados para identificação das necessidades, o que gerou um workshop de cocriação entre a MJV e a equipe de inovação;
  • Prototipação do projeto, construindo e validando a jornada de compra do produto digital para realizar a análise.

O resultado

Com a união entre Design Thinking e Ciência de Dados, estruturamos e lapidamos a criação do produto com foco no consumidor. Assim, foi possível desenvolver uma plataforma inovadora que entregava os dados de maneira segmentada e customizável.

Esse projeto deixou um verdadeiro legado na Bolsa e inaugurou novas diretrizes para os produtos digitais da organização, incentivando a transformação digital.

O que achou dos nossos cases de Data Science? Esses foram apenas 4 exemplos, mas a MJV possui um extenso know how e uma equipe de Ciência de Dados dedicada exclusivamente para projetos desse porte. Tem alguma necessidade nesta área? Então entre em contato com a gente.

Voltar

Fique por dentro! Assine nossa newsletter