Desenvolvimento de segurança financeira para comunidades de baixa renda

Sua missão é criar segurança financeira para comunidades de baixa renda por meio de tecnologia movida por pessoas. A Change Machine faz seu trabalho por meio de uma plataforma de software como serviço (SaaS) que pode transformar a maneira como as pessoas atingem suas metas financeiras. Utilizado por orientadores financeiros em organizações de serviços sociais e agências públicas, a plataforma inclui uma ferramenta de colaboração social para profissionais, um portal educacional sobre diversos tópicos de coaching financeiro e um aplicativo de gestão de casos na Salesforce AppExchange para auxiliar os coaches em suas consultas com os clientes.

A plataforma contém uma variedade de produtos e serviços de fintech que a Change Machine avaliou como inclusivos, seguros e eficazes. A plataforma é impulsionada pelas pessoas, no sentido de que reflete os insights e a experiência de coaches financeiros e clientes, e inclui um recurso que utiliza análise de dados por IA dos clientes para recomendar produtos fintech relevantes.

Nem sempre foi assim. No início de 2020, a Change Machine desenvolveu um conjunto de padrões para avaliar produtos fintech quanto à acessibilidade, inclusão e segurança, além de analisar como cada produto buscava promover a segurança financeira. A primeira versão do mecanismo de recomendação, chamada Marketplace Relief, foi lançada para mitigar a insegurança financeira em meio à recessão econômica decorrente da pandemia de Covid-19. Foram criados critérios para filtrar produtos e serviços essenciais e examinados para atender às necessidades dos clientes. Se as necessidades fossem aumentar as economias e melhorar o crédito, por exemplo, o mecanismo de recomendação sugeriria produtos e serviços relacionados a poupanças e crédito.

Embora o sistema tenha funcionado bem, a abordagem foi limitada. "Nosso mecanismo de recomendação original foi projetado por um pequeno grupo de orientadores de lugares específicos e de um momento específico," afirma David Bautista, Diretor de Desenvolvimento de Produtos no Change Machine. "Para ampliar o escopo de seu conhecimento e os produtos que ele poderia recomendar, queríamos que o mecanismo de recomendação pudesse se atualizar ao longo do caminho."

As regras de recomendação levantaram outra preocupação. "Os orientadores identificaram regras com base em sua experiência no trabalho com os clientes, mas não sabíamos como aproveitar os armazenamento de dados dos clientes em nossos sistemas, como quais serviços os clientes mais usavam e quais limiares adicionais eram necessários com base em situações financeiras comuns," afirma Robert Zarate-Morales, Diretor Assistente de Desenvolvimento de Produtos. “O uso dos dados pode fornecer melhores insights sobre as necessidades do cliente.”

Além disso, o mecanismo de recomendação também não levava em consideração se os clientes aceitavam ou rejeitavam os produtos e serviços recomendados, o que é um indicativo do impacto desse recurso.

O desenvolvimento prosseguiu rapidamente usando a metodologia de envolvimento da IBM Data Science e AI Elite de três sprints ágeis ao longo de seis semanas:

• No primeiro sprint de duas semanas, os desenvolvedores trabalharam com a Change Machine para entender os dados conectados a todas as suas fontes.
• O segundo sprint focou no desenvolvimento de modelos de aprendizado de máquina de base para verificar se os dados realmente poderiam fazer previsões.
• No terceiro sprint conseguimos concluir com sucesso os modelos, aprimorando-os com novas funcionalidades e colocando-os em produção.

Em seguida, os modelos foram integrados ao aplicativo Salesforce que os técnicos financeiros usam com os clientes. A equipe da IBM também apoiou a equipe da Change Machine no desenvolvimento de dashboards de gerenciamento. E como parte da colaboração de aprendizagem, a IBM transferiu conhecimento para a equipe da Change Machine sobre estratégia de dados e ferramentas de IA que continuarão a usar no futuro.

"O envolvimento com a IBM nos ensinou como aproveitar nossos dados de novas maneiras e como construir um framework para criar e gerenciar modelos de aprendizado de máquina," afirma Bautista. "O projeto também serviu como trampolim para nosso envolvimento em soluções avançadas de nuvem e nos ajudou a implantar uma aplicação de IA no mundo real, algo que anteriormente considerávamos estar a anos de distância, na melhor das hipóteses."