Em 2008, Andy Kirby, um funcionário do departamento de rodovias em Swansea, País de Gales, projetou uma placa de trânsito que dizia “acesso proibido de veículos pesados, área residencial” Embora menos de 30% da população do país fale galês, a lei diz que todos os sinais devem ser bilíngues, então Kirby enviou a frase em inglês a um tradutor oficial e, ao receber a resposta, enviou-a para impressão.
A frase acabou sendo um meme antigo já que “Nid wyf yn y swyddfa ar hyn o bryd. Afonwch unrhyw waith i’w gyfieithu ”significa “Não estou no escritório agora. Envie qualquer trabalho de tradução”
Esta é uma analogia hiperbólica de como a análise funciona no setor financeiro tradicional. Aqueles que decidem não falam a língua. Quem fala a língua não decide. Quem vê de fora não pode acreditar.
Tive a sorte de trabalhar no setor bancário por mais de 20 anos e o fiz em cinco países diferentes. No entanto, o único fator que distinguiu minha carreira foi acidental. Acredito que sou o único elemento na interseção de três conjuntos aparentemente excludentes: 1) Pessoas que trabalharam em agência bancária, 2) pessoas que fizeram parte do comitê gestor de um banco e 3) pessoas que sabem o que é heterocedasticidade.
Os bancos são as empresas com maior disponibilidade de informações sobre seus clientes. E tem sido assim por décadas.
Para ser mais preciso, 10 anos antes do Google ou a Amazon existirem, o banco médio já sabia onde uma pessoa morava, para quem e em que lugar físico trabalhava, para onde se mudou, quanto ganhava, com quem vivia, quanto eles gastavam em cada tipo de comércio, se suas economias aumentassem ou diminuíssem e os bens que adquiriam ou seguravam..
Mas digo que “eu poderia saber”, porque não sabia.
Tenho a definição pessoal e um tanto doméstica de que a área de analytics de um banco deve ter como único objetivo “aumentar o valor da carteira de clientes fingindo conhecê-los”.
E mesmo nisso, os bancos faliram. Não medimos com precisão o valor da carteira. E não podemos fingir que conhecemos nossos clientes.
As razões para essa situação são inúmeras, e muitas podem ser explicadas pela gênese do processamento de dados no setor financeiro.
Um exemplo deles é chamado de “O Problema da Internet do Plaza”. Em essência, os melhores hotéis de Nova York adotaram a internet antes de todo mundo, mas eles estavam atrelados a contratos de longo prazo e grandes investimentos em infraestrutura física que fizeram com que, após 10 anos, fossem os lugares com a pior internet de Manhattan.
Da mesma forma, muitos bancos foram pioneiros no uso de tecnologias precoces e ineficientes, que acompanhavam um investimento desproporcional e irrecuperável que os impedia de migrar rapidamente para as mais adequadas.
Outro conjunto de problemas são aqueles que derivam do “Flying Airplane” do setor financeiro.
A agenda tecnológica de um banco sempre teve um foco quase exclusivo na continuidade operacional. Nesse sentido, “o avião continua a voar”.
E este é um grande desafio por duas razões principais: Em primeiro lugar, o banco é o setor com mais intensidade de relacionamento com o cliente. Como sabemos, a intensidade é uma medida da periodicidade e da importância das interações. Embora existam setores, como o de telefonia, que têm um relacionamento mais frequente com seus clientes, a criticidade de cada interação é menor. Abandonar uma chamada é um inconveniente. O desaparecimento de dinheiro em todas as minhas contas é um potencial ataque cardíaco.
Portanto, um banco nunca pode parar e deve manter seu conjunto de sistemas legados funcionando permanentemente. Cada novo elemento nesse conjunto aumenta a complexidade do sistema e sua operação.
Em segundo lugar, esse conjunto de sistemas sempre será complicado porque o setor bancário é uma indústria aluvial. Quase todos os bancos líderes são a soma de dezenas de instituições pré-existentes, fusões de bancos, incorporações financeiras e aquisições de seguradoras.
A continuidade operacional implica, então, assegurar que “o esquadrão de aeronaves continue a voar, idealmente sem colidir entre si”.
Em suma, há pelo menos uma dúzia de razões válidas e multifatoriais para entender por que o setor bancário sempre foi deficiente em análises de clientes. Mas o motivo mais interessante, pelo menos do ponto de vista das suas consequências, é o que na N5 chamamos de “O Sinal da Estrada Galês”.
“The Welsh Road Sign”
“The Welsh Road Sign”
O problema do cartel galês é uma analogia imperfeita com o da análise bancária porque assume que também existem apenas duas linguagens neste domínio.
Mas a torre financeira de babel é mais alta.
Os técnicos não entendem os gerentes, os gerentes não entendem os técnicos, as equipes de canal subestimam ambos, os clientes criticam a todos.
E deixe-me mencionar algumas anedotas que ilustram isso..
Vou começar com um pré-cambriano, da época em que as equipes de inteligência ainda tinham um foco maior nos canais humanos do que nos canais digitais, porque acho que as conclusões ainda são válidas
Há muitos anos entrevistei o gerente de CRM de um banco multinacional. Ele era doutor em estatística, professor universitário e muito respeitado por sua equipe por seu amplo conhecimento técnico.
Ele também foi muito amigável e respondeu a todas as minhas perguntas cuidadosamente.
Uma delas era “de quais projetos ou avanços você mais se orgulha em sua carreira no banco”. Ele me explicou que, usando o Aprendizado de Máquina (técnica revolucionária na época), desenvolveu um modelo bastante robusto que possibilitou prever com alta confiabilidade quais clientes fariam um empréstimo ao consumidor nos próximos 30 dias.
Fiquei muito interessado e perguntei-lhe desde quando ele o usou, ao que ele respondeu que há mais de um ano.
Também perguntei como o modelo foi aplicado.
Ele me disse que os executivos da agência receberam uma lista de clientes entre os quais podiam prever que haveria 90% dos que fariam um empréstimo
Pareceu-me muito auspicioso, então fiz a pergunta mais óbvia: “Qual é o tamanho da lista que você envia?” Ele ficou em silêncio e percebi que ele nunca havia se feito essa pergunta. Ele me disse “não sei … é variável, depende do portfólio … eu posso pesquisar. É importante?”. Não contei a ele, mas, do meu ponto de vista, essa era a única coisa que importava. Indicar uma lista e dizer “90% dos que vão pedir um empréstimo estão lá” não tem mérito se a lista não for muito curta.
Por exemplo, posso saber com precisão que 100% das pessoas que fazem um empréstimo este mês já estão na lista. A lista é chamada de “habitantes do planeta Terra”.
Finalmente, ele olhou os dados e os mostrou para mim.
Eles eram aproximadamente os seguintes: Um executivo tinha uma carteira típica de 800 clientes. Em um mês normal, 18 deles contraíram um empréstimo ao consumidor. A base que o executivo recebeu para administrar tinha 280 clientes, e arrecadou 90% dos “sucessos”, ou seja, 16 vendas.
Pela minha experiência distante como executivo de filial, posso garantir que uma lista de 280 clientes para atingir a meta de um único produto (o sistema de incentivos típico tem 8) é exatamente tão valiosa quanto a lista de habitantes da terra mencionada acima.
Imaginei, portanto, que o nível de uso efetivo do modelo seria muito baixo.
Eu perguntei a ele, e esse fato foi muito claro para ele. “É o grande problema que temos. O pessoal dos canais não entende nada. Apenas 0,8% usaram esta campanha no mês passado”.
Eu fiz uma conta rápida. O banco tinha 500 executivos, 4 usaram a lista. 9 pessoas trabalharam na área de Modelos.
A segunda anedota, e prometo que no final ficará evidente como todas se relacionam, é muito mais recente.
Eu estava conversando com o Diretor de Inovação de um banco de médio porte. Ele havia sido recentemente contratado de outro setor e estava concluindo a definição de um plano estratégico para apresentar internamente
Ele era uma pessoa criativa, entendia a experiência do usuário e tinha intuições corretas a respeito das “dores” habituais do cliente financeiro. Mas ele não tinha nenhum domínio técnico do mundo analítico e tinha apenas algumas semanas de experiência bancária.
Perguntei se ele poderia resumir seu plano em três conceitos.
Ele me disse, levantando energicamente três dedos da mão direita e fazendo uma pausa dramática: Inteligência Artificial, Deep Learning e Blockchain.
A probabilidade de que esta seja uma resposta factualmente correta é virtualmente nula, a menos que a pergunta fosse: você pode listar três palavras da moda?
Um plano estratégico que parte de soluções específicas é comparável a um médico que escolhe três medicamentos em um armário de remédios e diz “Já tenho o que vou prescrever para os próximos três pacientes que chegarem”.
A terceira anedota é talvez a mais interessante.
O protagonista é o CEO de um dos maiores bancos do mundo e uma das pessoas mais brilhantes com quem tive a oportunidade de interagir.
Veremos isso na próxima entrada do America Digital News.
