Escrito por: Nubank Editorial<\/p>\n\n\n\n
Durante o Meetup em parceria com GruPy-SP e PyLadies, realizado no escrit\u00f3rio do Nubank, em S\u00e3o Paulo, Daniela Canuta, Lead Data Scientist no Nubank, compartilhou uma vis\u00e3o de alto n\u00edvel sobre como t\u00e9cnicas de ci\u00eancia de dados podem apoiar decis\u00f5es de aumento de limite no cart\u00e3o de cr\u00e9dito. A palestra abordou temas como modelagem preditiva, causalidade, otimiza\u00e7\u00e3o e monitoramento de sistemas de machine learning em produ\u00e7\u00e3o.<\/p>\n\n\n\n
No Nubank, decis\u00f5es de cr\u00e9dito envolvem muito mais do que uma an\u00e1lise isolada. Em linhas gerais, esses processos combinam diferentes sinais, modelos e mecanismos de monitoramento para apoiar escolhas que buscam equilibrar experi\u00eancia do cliente, gest\u00e3o de risco e sustentabilidade da opera\u00e7\u00e3o.<\/p>\n\n\n\n
Esse tipo de desafio vai al\u00e9m de prever comportamento. Tamb\u00e9m exige entender quais decis\u00f5es tendem a gerar valor de forma consistente para clientes e para o neg\u00f3cio, sempre com responsabilidade e vis\u00e3o de longo prazo.<\/p>\n\n\n\n
Conceder mais limite \u00e9 uma decis\u00e3o que envolve m\u00faltiplos fatores. De um lado, est\u00e1 a necessidade de oferecer uma experi\u00eancia que fa\u00e7a sentido para o cliente e acompanhe sua jornada financeira. Do outro, est\u00e1 a import\u00e2ncia de manter uma opera\u00e7\u00e3o saud\u00e1vel, com aten\u00e7\u00e3o a risco, efici\u00eancia e contexto regulat\u00f3rio.<\/p>\n\n\n\n
Na pr\u00e1tica, isso significa construir sistemas capazes de analisar diferentes dimens\u00f5es de uma mesma decis\u00e3o e apoiar escolhas mais personalizadas em escala.<\/p>\n\n\n\n
Uma parte importante desse processo est\u00e1 no uso de modelos preditivos, que ajudam a estimar tend\u00eancias de comportamento a partir de sinais observados ao longo do tempo. Esses modelos s\u00e3o alimentados por dados tratados e organizados para representar padr\u00f5es relevantes, em um trabalho que combina conhecimento t\u00e9cnico e entendimento de neg\u00f3cio.<\/p>\n\n\n\n
Nessa etapa, a qualidade das vari\u00e1veis utilizadas faz muita diferen\u00e7a. Mais do que reunir grande volume de dados, o desafio \u00e9 construir representa\u00e7\u00f5es \u00fateis, est\u00e1veis e interpret\u00e1veis para apoiar decis\u00f5es consistentes.<\/p>\n\n\n\n
Tamb\u00e9m por isso, nem sempre a solu\u00e7\u00e3o mais complexa \u00e9 a melhor. Dependendo do problema, abordagens mais simples podem oferecer melhor equil\u00edbrio entre performance, interpretabilidade, custo computacional e escalabilidade.<\/p>\n\n\n\n
Em sistemas de decis\u00e3o, prever \u00e9 apenas parte do trabalho. Em muitos casos, tamb\u00e9m \u00e9 importante priorizar corretamente quais situa\u00e7\u00f5es merecem mais aten\u00e7\u00e3o e quais decis\u00f5es tendem a gerar melhores resultados relativos.<\/p>\n\n\n\n
Isso exige avaliar n\u00e3o apenas a precis\u00e3o das previs\u00f5es, mas tamb\u00e9m a capacidade do sistema de apoiar ordena\u00e7\u00e3o, prioriza\u00e7\u00e3o e consist\u00eancia entre diferentes perfis e contextos.<\/p>\n\n\n\n
Outro ponto central \u00e9 distinguir correla\u00e7\u00e3o de causalidade. Em problemas reais, observar uma mudan\u00e7a de comportamento ap\u00f3s uma decis\u00e3o n\u00e3o significa, por si s\u00f3, que uma coisa causou a outra.<\/p>\n\n\n\n
Por isso, t\u00e9cnicas de an\u00e1lise causal ajudam a complementar a modelagem preditiva. Em vez de olhar apenas para o que tende a acontecer, elas ajudam a investigar em que contextos uma determinada a\u00e7\u00e3o realmente faz diferen\u00e7a. Esse tipo de abordagem contribui para decis\u00f5es mais eficientes, mais respons\u00e1veis e mais alinhadas \u00e0 experi\u00eancia do cliente.<\/p>\n\n\n\n
Colocar um modelo em produ\u00e7\u00e3o \u00e9 s\u00f3 o come\u00e7o. Com o tempo, os dados mudam, os comportamentos evoluem e o ambiente econ\u00f4mico se transforma. Para continuar gerando valor, sistemas de machine learning precisam ser acompanhados continuamente.<\/p>\n\n\n\n
Isso inclui observar indicadores de desempenho, estabilidade e qualidade operacional, al\u00e9m de revisar modelos periodicamente para garantir que eles continuem adequados ao contexto em que operam.<\/p>\n\n\n\n
Ao longo de toda essa jornada, Python ocupa um papel central. A linguagem \u00e9 amplamente utilizada em fluxos de an\u00e1lise, experimenta\u00e7\u00e3o, desenvolvimento de modelos e integra\u00e7\u00e3o com ambientes de produ\u00e7\u00e3o, com apoio de ferramentas amplamente usadas pela ind\u00fastria, como PySpark, Scikit-learn, PyTorch, Airflow, Docker, Databricks e Grafana.<\/p>\n\n\n\n
Mais do que uma ferramenta, Python se tornou parte importante da forma como times t\u00e9cnicos constroem, testam e evoluem sistemas de decis\u00e3o em larga escala.<\/p>\n\n\n\n
A combina\u00e7\u00e3o entre machine learning, causalidade, otimiza\u00e7\u00e3o e monitoramento mostra como a ci\u00eancia de dados pode contribuir para sistemas de decis\u00e3o mais robustos e sustent\u00e1veis. Em um contexto de milh\u00f5es de clientes, o desafio n\u00e3o \u00e9 apenas escalar tecnologia, mas fazer isso com responsabilidade, consist\u00eancia e foco na experi\u00eancia de quem usa os produtos.<\/p>\n\n\n\n
\u00c0 medida que \u00e1reas como Data Science, Machine Learning Engineering e Data Engineering continuam evoluindo, esse tipo de abordagem tende a se tornar cada vez mais relevante para o futuro dos servi\u00e7os financeiros digitais.<\/p>\n\n\n\n
<\/p>\n\n\n\n