Avaliação de risco baseada em IA: Baishi Wu, da Chime, fala sobre como transformar dados complexos em insights úteis

Baishi Wu supervisiona a organização dos cartões da Chime em produtos de débito e crédito, colaborando com as equipes de produto, risco de crédito e ciência de dados para otimizar a experiência do cliente, desde o acesso até as autorizações. Em uma entrevista recente com o cofundador e CPTO da Taktile Maximilian Eber, Baishi leva os ouvintes a conhecer os bastidores da análise de crédito impulsionada por IA na Chime. 

Ele compartilha o que torna a avaliação de risco na Chime tão única, como a equipe usa a IA para agilizar as decisões para os clientes atualmente e sua visão sobre a próxima grande oportunidade para a IA na avaliação de risco.

A Baishi destaca a importância de possuir a relação de conta principal como o principal diferencial da Chime na concessão de crédito. Ele explica que, quando você é a conta onde 100% do fluxo de caixa de alguém é depositado, você tem uma vantagem enorme sobre os credores que veem apenas uma parte.

Quando os credores se baseiam nos dados das agências de crédito, eles estão acessando apenas um único momento do histórico do tomador de empréstimo. Os dados de fluxo de caixa estão em constante evolução: a equipe de Baishi pode visualizá-los em tempo real e adaptar continuamente suas decisões. No entanto, ele observa que os credores frequentemente cometem o erro de usar os dados de fluxo de caixa como uma visão pontual:

“Quando as pessoas analisavam os dados de fluxo de caixa sob a perspectiva do open banking, costumavam usar o mesmo método aplicado aos dados de crédito e tentavam aplicá-lo aos dados de fluxo de caixa: analisávamos um único momento no tempo, examinávamos algumas transações históricas e tentávamos avaliar o seu perfil de risco na hora.” 

“Mas o ponto principal em relação ao que você deve fazer com os dados de fluxo de caixa é analisá-los sempre que possível e basear suas decisões neles de forma contínua.”

O acesso da Chime a dados contínuos dos clientes é uma enorme vantagem estratégica. Mas isso também aumenta a complexidade quando se trata de ajustar os limites de crédito dos clientes ao longo de sua jornada.

Quando a Chime deseja ampliar o acesso ao crédito, a equipe de Baishi recorre a testes do tipo “champion-challenger” para verificar se é possível oferecer mais aos clientes que, normalmente, não teriam acesso a essas oportunidades.

Parece simples. 

Mas, no caso da Chime, os clientes não são pessoas que tomam empréstimos apenas uma vez; são usuários recorrentes com necessidades e circunstâncias em constante evolução. “Não é um simples teste A-B em que um único momento influencia o que você precisa fazer ao longo do tempo”, explica Baishi. “É uma série de testes baseados em uma variedade de tempo de uso e experiência, e tudo isso torna o processo muito mais complexo.”

Mas, no fundo, esse processo segue um modelo de “campeão x desafiante”, no qual estamos tentando descobrir como podemos ir além do que já oferecemos aos nossos clientes.”

Com tanta informação complexa para analisar, Baishi percebeu que a IA acelerou a capacidade de sua equipe de transformar dados brutos em insights úteis.

Em primeiro lugar, a IA pode eliminar silos de dados entre equipes multifuncionais. No passado, as equipes de risco de crédito, ciência de dados, finanças e produtos podiam trabalhar com informações separadas e fragmentadas. Com a IA, todas as equipes podem ter acesso ao panorama completo e tomar decisões com segurança mais rapidamente, independentemente de seu nível de conhecimento técnico.

Em segundo lugar, a IA pode funcionar como um “analista de risco pronto para uso”, capaz de transformar rapidamente dados em insights úteis quando combinada com o julgamento humano. 

“Quando você tem um conjunto de dados difícil de analisar, pode deixar que a IA faça um resumo rápido e junte as peças. Em seguida, acrescente seu julgamento humano para decidir o que realmente é significativo. Dessa forma, você consegue, com muito mais rapidez, analisar conjuntos de dados dos quais não tem certeza se valem o seu tempo, extrair uma percepção e decidir se eles têm o potencial de reduzir os riscos.”

Olhando para o futuro, Baishi vê a validação de modelos como a maior oportunidade para a automação impulsionada por IA na subscrição. Embora a elaboração de uma política de crédito seja uma parte do processo, garantir que o modelo funcione corretamente e esteja em conformidade é a parte que, na verdade, leva muito tempo.

Se você implementar mais de trinta funcionalidades, explica Baishi, precisará criar documentação para cada uma delas. Ele argumenta que a IA pode automatizar uma parte maior desse processo de governança:

“É possível criar um modelo de crédito com base na forma como você acredita que ele deveria funcionar na prática e, em seguida, automatizar o processo de governança com IA. Menos trabalho burocrático no meio do caminho, mais diálogo direto entre as equipes de risco e conformidade.”

A ideia é que, assim que a IA conseguir automatizar a parte da governança, as equipes possam se concentrar na inovação.

“Criar uma política que possa ser aprimorada ao longo do tempo exige muito esforço e é realmente complexo. Com a IA, é possível acelerar significativamente o ritmo com que geramos novas ideias nessa área. Essa é a verdadeira chave para o sucesso: poder se concentrar no trabalho importante e essencial — e tornar muito mais fácil a realização das tarefas rotineiras.”