Muito mais do que apenas a disponibilidade das conexões bancárias, democratizando o acesso a dados financeiros, o Open Finance evolui constantemente, e conta com muitas possibilidades. Uma delas é a derivação de significado das informações coletadas, importantes insights que surgem e podem levar empresas e pessoas físicas à tomada de decisões.

Mas como desenvolver tais análises nos baseando nas transações brutas? É mais simples do que parece: Através da categorização.

Com funciona o processo de categorização

Em primeiro lugar, precisamos compreender que, após o fornecimento dos dados por meio do consentimento do usuário, começa uma jornada dessa informação bruta pelo Motor de Categorização. Esse, por sua vez, é composto por três etapas:

⛏️ Tratamento dos dados;
🎲 Classificação de dados;
🤺 Treinamento de modelo.


Tratamento de Dados

As informações que provêm de diferentes transações bancárias são muito diferentes entre si. Salvo pelo valor, a imensa maioria dos dados possui diferenças. Um investimento, por exemplo, traz informações sobre o montante investido, a data, o tipo e a instituição de investimento. Já uma compra, além do valor e data, traz o fornecedor.

Por conta da complexidade desses dados, além do fato de que as transações agora podem ocorrer também em países diferentes da origem do concessor dos dados, é difícil que um sistema baseado em regras os categorize corretamente. Por isso, o modelo mais utilizado é o de machine learning, que pode derivar informações até mesmo de categorias nunca vistas antes, se baseando em probabilidade para enquadrar determinado dado em sua categoria.

Na etapa de tratamento, toda essa gama de dados passa por uma limpeza na qual são retiradas informações pessoais dos dados, de modo que apenas os anonimizados estejam disponíveis para classificação.


Classificação de dados e Treinamento do Modelo

Após a limpeza desses dados, o mecanismo de classificação entra em jogo. O primeiro mecanismo de rotulagem é baseado em regras criadas por humanos, na qual os dados obtêm sua primeira categoria. Treinamos esse modelo criando constantemente dumps de transações anônimas para serem analisados. Em seguida, verificamos as categorias para que sempre tenha 99% de precisão.

Nesse fluxo, os dados são colocados em categorias, que por sua vez possuem níveis de especificação.

Além disso, há o fator quantidade. Quando os algoritmos têm mais dados com os quais podem se basear para a tomada de decisão, eles podem aprender mais rápido e devolver uma classificação mais assertiva. É por isso que mecanismos internos de categorização em empresas perdem para corporações que fornecem esse tipo de serviço, dado que a quantidade de dados disponibilizados para essa acurácia é limitada.


Por que a categorização?

É fato que o enriquecimento dos dados brutos é essencial para trazer visibilidade e acurácia para análise desses. Além de contribuir com informações sobre o dado em si, é possível ainda traçar linhas de previsibilidade sobre um ativo ou transação.

Mas por que buscar um parceiro para sua categorização, ao invés de construir um modelo na empresa?

Como dito, um modelo de categorização é treinado através da quantidade de dados que passam por ele. Por isso, a escala é o caminho para o sucesso.

Quanto maior o conjunto de dados, melhor. Com acesso a uma gama maior de informações, o algoritmo pode oferecer uma categorização mais rápida e precisa. Sua empresa pode ter muitos dados, mas um especialista em categorização trata até mesmo os de seus concorrentes, podendo abranger com maior acurácia as informações necessárias para sua tomada de decisão.


O que nos espera no futuro

São vários os casos de uso nos quais a categorização se torna essencial para trazer inovação e dinamização dos negócios. Para empresas de crédito e empréstimo, por exemplo, ter a visibilidade total de todas as transações de seus clientes pode permitir uma concessão mais segura, além de permitir a personalização de serviços.

Além disso, o refinamento de nosso modelo para fins de enriquecimento de dados será capaz de entender a frequência com a qual um pagamento ocorre, sendo o tipo de transação apenas uma das possibilidades desse serviço.