Banco BV se une à startup para melhorar produtos de crédito e financiamento
Por Giovana Pignati • Editado por Claudio Yuge |
O banco BV se uniu à PowerOfData para buscar na ciência de dados o auxílio para melhorar os produtos nas áreas de crédito e financiamento. A parceria visa impulsionar a estratégia de transformação digital da instituição bancária.
- Banco do Brasil investe em startup de blockchain para tokenização de ativos
- Deutsche Bank se une à NVIDIA para incorporar IA em serviços financeiros
Para Roberto Jabali, diretor-executivo de Crédito, Prevenção a Fraudes e Cobrança do BV, o avanço nas origens e disponibilidade dos dados viabilizou uma evolução importante para o BV, fortalecendo a tomada de decisão de crédito em um cenário bastante desafiador.
"A solução da PowerOfData ajudou a maximizar o poder dos dados no BV, contribuindo com a performance dos nossos algoritmos de Machine Learning e também permitindo maior agilidade na substituição e evolução de modelos já implantados", afirma Jabali.
A iniciativa utiliza um novo modelo de arquitetura de dados descentralizado para o gerenciamento das informações e a "produtificação" de dados: o Data Mesh. A ferramenta visa aumentar os resultados de sua esteira de Data Analytics e, consequentemente, a qualidade de seus modelos preditivos.
Segundo Dalmer Sella, CEO da PowerOfData, a startup encontrou no BV uma instituição "com apetite para a produtificação massiva de dados" voltados ao negócio e uma estratégia de avanço e inovação.
"A tecnologia PowerOfData permitiu acelerar a produtificação de dados do Data Lake da instituição, a migração para Cloud e a visão moderna da arquitetura Data Mesh trouxeram muita agilidade ao projeto. O uso pragmático dos dados em modelos preditivos avançados colaborou para que o BV avaliasse com clareza o valor que a PowerOfData agregava, mesmo sendo uma startup", afirma Sella.
Através de uma plataforma própria, a startup construiu 10 books de variáveis que contêm os dados em sua forma mais adequada para alimentar o modelo estatístico — após sofrerem todas as transformações e adequações necessárias. Os modelos trouxeram mais de 34 mil variáveis preditivas, com o potencial de melhoria expressiva do desempenho de modelos de crédito e cobrança do banco.