Como o Discovery Bank oferece serviços bancários hiperpersonalizados em escala: AI comportamental, dados governados e tomada de decisões em tempo real

Como um banco pode fazer com que cada interação com o cliente pareça pessoal e, ao mesmo tempo, atender às expectativas de escala, velocidade, segurança e governança dos serviços financeiros?

A hiperpersonalização no setor bancário é a capacidade de tornar cada interação com o cliente relevante para aquela pessoa específica, naquele momento, com base em seu comportamento real, em vez de um segmento demográfico. É a diferença entre enviar um lembrete de poupança para todos os clientes com menos de 35 anos e apresentar uma sugestão específica para um cliente que acabou de receber o salário, tem um depósito de prazo fixo vencendo e navegou pela seção de investimentos do aplicativo três vezes nesta semana. Na escala em que as instituições financeiras operam, isso exige uma infraestrutura de AI governada, e não configuração manual.

O relacionamento de um cliente com um banco gera um fluxo contínuo de sinais — desde pagamentos e padrões de consumo até comportamento de poupança, engajamento digital, decisões de empréstimo e conversas de atendimento. O desafio é transformar esses sinais em próximos passos úteis, mantendo a personalização, a proteção contra fraudes, o atendimento e a governança conectados.

Para o Discovery Bank, lançado em 2019 para transformar o setor bancário na África do Sul, a resposta não foi um único modelo ou aplicativo. Foi construir o banco em torno de produtos de dados baseados em ciência comportamental e AI, e depois incorporar esses produtos em toda a empresa. Essa base apoia o bem-estar financeiro, jornadas personalizadas, proteção contra fraudes, assistência aos gerentes, AI generativa e ações controladas por meio de agentes. Para as equipes que desenvolvem esses recursos, a tomada de decisão reutilizável mantém as definições e os controles consistentes em marketing, experiências digitais, atendimento e iniciativas de mudança de comportamento.

A experiência do Discovery Bank oferece uma lição prática para líderes de serviços financeiros. A AI se torna mais valiosa quando está conectada a:

• Dados confiáveis
• Produtos analíticos reutilizáveis
• Serviços determinísticos
• Governança que permanece presente à medida que os sistemas passam do insight para a ação

Assista ao Head de Dados do Discovery Bank, Stuart Emslie, compartilhar como eles fizeram uma parceria com a Databricks para alcançar isso.

Construa o banco em torno de um valor compartilhado

O Discovery Bank aplica o propósito central do Discovery Group — tornar as pessoas mais saudáveis e melhorar e proteger suas vidas — ao comportamento financeiro por meio de seu modelo de banco de valor compartilhado. Quando os clientes melhoram seu comportamento financeiro, eles podem economizar mais, gerenciar o crédito de forma mais eficaz e se tornar mais resilientes financeiramente. Isso cria valor para o cliente, reduz o risco para o banco e contribui para uma sociedade mais resiliente.

Cumprir esse modelo exige uma compreensão detalhada e em constante evolução do comportamento de cada cliente. Os clientes têm diferentes perfis de consumo, metas financeiras e maneiras de pensar sobre a saúde financeira. É por isso que o Discovery Bank tornou os dados, a ciência atuarial, a ciência comportamental e a AI fundamentais para o banco.

Transforme dados comportamentais em produtos reutilizáveis

O Discovery Bank reúne dados demográficos, comportamento transacional e de consumo, engajamento digital, indicadores de poupança e empréstimo, sinais de risco de crédito, participação em programas de recompensas e informações relacionadas ao estilo de vida.

O Discovery Bank usa a Databricks Data and AI Platform para unificar essas informações em uma única plataforma governada e criar produtos de dados reutilizáveis, incluindo features de engenharia, indicadores comportamentais, scores de modelos, tendências, previsões e recomendações. O mecanismo de ciência de dados do Discovery Bank combina modelos preditivos e de regressão, regressão quantílica, segmentação avançada e buscas por similaridade para criar perfis evolutivos do comportamento do cliente.

Esses produtos de dados governados e reutilizáveis apoiam a aquisição e precificação, gestão de riscos, personalização de produtos e experiências, melhoria de serviços, capacitação de gerentes, detecção de atividades incomuns e proteção contra fraudes. A mesma inteligência subjacente pode criar valor em vários domínios, aplicando as permissões e os controles necessários para cada caso de uso.

Essa abordagem também melhora a forma como as equipes trabalham. Em vez de criar versões separadas de inteligência do cliente para cada aplicação, os profissionais podem trabalhar a partir de ativos compartilhados e governados. Delta Lake, MLflow e Unity Catalog dão suporte aos padrões de dados, modelagem e governança necessários para operar esses ativos como recursos de produção.

Torne a próxima melhor ação útil para o cliente

Uma das aplicações iniciais do Discovery Bank foi a próxima melhor ação (NBA). O objetivo não é identificar algo que o banco deseja comunicar, mas sim determinar qual ação é relevante e valiosa para um cliente específico, em um contexto específico, em um momento específico.

Essa distinção muda o papel da personalização. Uma próxima melhor ação deve apoiar a jornada do cliente em direção à saúde financeira, em vez de simplesmente aumentar a comunicação ativa (outbound). A mesma inteligência pode direcionar interações ativas e receptivas (inbound e outbound), jornadas digitais e atendimento assistido por gerentes.

O modelo de NBA do Discovery Bank gerou um aumento de 40% no impacto do engajamento dos clientes. Ele também mudou a forma como as equipes de dados trabalham: o desenvolvimento de pipelines é executado 20 vezes mais rápido e a criação de produtos de dados é 5 vezes mais rápida, porque as equipes constroem sobre ativos governados compartilhados, em vez de começar do zero para cada canal.

Para as equipes de dados, analytics, atuária, ML e produtos que desenvolvem esses recursos, o princípio de design é claro: manter a tomada de decisão reutilizável e separada do canal onde ela é ativada. Uma camada de decisão compartilhada pode apoiar marketing, experiências digitais, atendimento e iniciativas de mudança de comportamento, mantendo as definições e os controles consistentes.

Use o contexto comportamental para proteger os clientes

Os controles de fraude tradicionais perguntam se uma transação corresponde a um padrão conhecido. O alerta TRUST™ do Discovery Bank adiciona uma pergunta complementar: a transação faz sentido para este cliente específico?

Os alertas TRUST™ avaliam as interações financeiras em relação às normas e aos padrões comportamentais do cliente. O Discovery Bank processou centenas de milhões de interações financeiras e aplicou modelos preditivos, clustering, regressão quantílica e detecção de anomalias para quantificar o quão incomum é uma interação.

O resultado é uma avaliação de risco, em vez de uma resposta binária. Uma interação de risco moderado pode acionar um alerta que explica por que a atividade parece incomum e permite que o cliente decida como proceder. Uma interação de alto risco pode levar a uma intervenção mais forte, incluindo o bloqueio da conta do cliente.

Essa abordagem gradual equilibra a proteção com a experiência do cliente. Ela também torna a explicabilidade essencial: apenas um score de risco não é suficiente. Os clientes e as equipes operacionais precisam de contexto para entender por que uma interação foi sinalizada. Os modelos são operacionalizados por meio de uma arquitetura de serving baseada em Azure personalizada que retorna decisões em escala em menos de algumas centenas de milissegundos.

Crie camadas de AI generativa sobre bases confiáveis

O princípio do Discovery Bank para a AI generativa é que ela não deve substituir os recursos fundamentais de dados e ML. Ela é mais poderosa quando trabalha em conjunto com eles.

Os produtos de dados tradicionais fornecem um contexto confiável. Os modelos de ML fornecem previsões, prognósticos e recomendações. A AI generativa pode tornar essa inteligência mais fácil de acessar, explicar e aplicar.

A arquitetura descrita pelo Discovery Bank reúne quatro camadas:

• Uma camada de dados governada contendo informações selecionadas de clientes, produtos e transações
• Uma camada analítica onde os modelos geram previsões, insights comportamentais, recomendações e próximas melhores ações
• Ferramentas e serviços de controle que expõem as informações e a funcionalidade principal necessárias para a experiência de AI
• Uma camada generativa que usa grandes modelos de linguagem especializados, processos e agentes para determinar a ação e a resposta

O Discovery Bank lançou o Discovery AI em maio de 2025 com a visão de democratizar o private banking. Não recriando um gerente de private banking humano com uma interface de chat, mas mudando a experiência de atendimento por meio de uma inteligência atuarial e comportamental mais profunda.

A Discovery AI pode responder a perguntas de atendimento, ajudar os clientes a navegar pelas jornadas bancárias, analisar aspectos de seu comportamento financeiro, trazer insights personalizados, fornecer recomendações e auxiliar em ações selecionadas. Em vez de encontrar o menu ou formulário correto, o cliente pode descrever o resultado de que precisa, e o sistema pode ajudar a orquestrar a jornada apropriada.

Melhorar o atendimento assistido por humanos

O Discovery Bank aplica a mesma inteligência ao autoatendimento, chats de texto com gerentes e chamadas no aplicativo. Para o atendimento assistido por humanos, o Discovery Bank também usa um assistente de AI voltado para o gerente que recupera e gera informações relevantes sobre o cliente e a consulta de atendimento. Outro recurso traz recomendações e as próximas melhores ações para a interação, explicando por que cada recomendação é relevante e fornecendo informações de apoio.

A AI também ajuda a analisar as interações de atendimento. Sujeita a controles de governança, privacidade e qualidade, ela pode identificar problemas recorrentes dos clientes, problemas de atendimento emergentes, lacunas de qualidade e oportunidades para melhorar as jornadas. Uma análise mais ampla ajuda as equipes a acompanhar as tendências de desempenho e orientar os agentes em direção a melhores resultados.

Isso leva a AI além da eficiência operacional. Ela pode melhorar a qualidade da interação e ajudar a organização a aprender com um conjunto mais amplo de conversas com clientes.

Colocar agentes dentro de fluxos de trabalho governados

O padrão agentivo do Discovery Bank combina serviços determinísticos, modelos de ML tradicionais, processos orquestrados baseados em LLM e agentes. Os agentes não substituem o ambiente de controle; eles operam dentro dele.

Em casos de uso agentivos, os clientes podem fornecer texto, voz, imagens ou documentos para fazer pagamentos, concluir compras ou realizar ações relacionadas. Os controles existentes continuam fazendo parte do fluxo. Os alertas TRUST™, por exemplo, continuam a avaliar o risco de fraude, enquanto o Unity Catalog fornece uma camada de governança consistente em dados bancários estruturados, recursos comportamentais, saídas de modelo, documentos, gravações, conteúdo recuperado e informações disponibilizadas para aplicativos generativos.

O mesmo princípio se aplica a jornadas com grande volume de documentos. Um sistema multimodal pode classificar um documento, extrair campos, verificar informações em relação a dados conhecidos, identificar inconsistências e orientar o cliente sobre o que é necessário a seguir. Em áreas como crédito e Vitality Money (programa de recompensas do Discovery Bank), isso pode tornar a administração manual um processo mais rápido e útil.

Da inteligência comportamental à ação governada

A jornada de dados e AI do Discovery Bank tem sido cumulativa. Começou com uma plataforma de dados governada e produtos de dados reutilizáveis. O banco então construiu modelos comportamentais e de tomada de decisão para personalização e prevenção de fraudes. A AI generativa tornou essa inteligência mais fácil de ser acessada por clientes e gerentes, enquanto os agentes começaram a orquestrar ações controladas e a redesenhar jornadas complexas.

As equipes de dados podem usar pipelines diretos e um framework de ML integrado, eliminando conversões de SQL (o processo de alterar dados de um tipo de dados para outro) e simplificando o gerenciamento de código. Os tempos de processamento de dados são 20 vezes mais rápidos e os tempos de criação e implementação de produtos de dados são 5 vezes mais rápidos. Aproveitando a colaboração entre equipes, a complexidade reduzida e os ganhos de alta eficiência, o Discovery Bank também aumentou sua capacidade de construção de modelos para mais de 300 modelos por dia.

A Databricks Data and AI Platform transformou a capacidade do banco de construir o ecossistema centralizado de que precisa para gerar valor compartilhado, integrando diferentes componentes em uma única plataforma consolidada e sem dependências. Essas eficiências proporcionaram um tempo menor para obter insights e para entrar em produção, gerando um retorno sobre o investimento significativo de mais de 500%.

Para as equipes de serviços financeiros, as lições práticas são simples:

• Construa inteligência reutilizável em torno dos resultados de negócios, com propriedade e definições claras
• Torne a capacidade de ação explícita: um perfil ou pontuação deve informar uma decisão, recomendação, intervenção ou próxima etapa
• Projete a explicabilidade na experiência para que clientes, gerentes e equipes operacionais entendam por que o sistema agiu
• Adicione AI generativa e agentes a uma base confiável, mantendo serviços determinísticos, ML, permissões e governança no fluxo

A experiência do Discovery Bank mostra que produtos de dados reutilizáveis podem conectar personalização, proteção contra fraudes, atendimento e AI em todo o banco. Comece com dados, modelos, controles e governança confiáveis e, em seguida, adicione AI generativa e agentes para transformar insights em ações seguras e úteis.

Quer saber mais? Assista ao nosso Financial Services Industry Forum: Financial Intelligence beats General Intelligence para saber como você pode operacionalizar a AI em escala.

FAQ

Como as instituições financeiras podem usar a Databricks Data and AI Platform?

Ela unifica dados bancários governados, análise de dados, machine learning e AI para personalização, risco, proteção contra fraudes e atendimento. As equipes podem construir indicadores, pontuações, previsões e recomendações reutilizáveis em todos os aplicativos.

Como o Unity Catalog apoia a governança de serviços financeiros?

O Unity Catalog fornece uma base de governança unificada em dados bancários estruturados e não estruturados, recursos comportamentais, saídas de modelo, documentos, gravações e ativos de AI. Junto com o Unity Gateway, ele estende controles de acesso consistentes, aplicação de políticas, auditoria e visibilidade para os aplicativos generativos e agentes que usam esses ativos.

Como o MLflow pode apoiar o machine learning bancário?

O MLflow gerencia o desenvolvimento, controle de versão, ajuste e promoção de modelos, ajudando as equipes a mover modelos preditivos da experimentação para a produção com controles consistentes.

Como a Databricks apoia a AI governada no setor bancário?

A Databricks permite que as equipes de serviços financeiros criem, governem e operacionalizem a AI em uma plataforma unificada, conectando dados comportamentais, modelos de ML, AI generativa e fluxos de trabalho agentivos, ao mesmo tempo que ajuda as organizações a minimizar a movimentação desnecessária e a duplicação de dados confidenciais de clientes por meio de governança centralizada e acesso seguro a dados.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original