De etiquetas a lealdade: Como a Kard está usando as Funções de IA do Databricks para potencializar recompensas personalizadas

Na Kard, acreditamos que dados melhores levam a melhores recompensas - e isso começa entendendo o que as pessoas realmente compram.

Ao categorizar transações em larga escala, conseguimos ajudar as marcas a direcionar os clientes certos, os emissores a aumentar o uso do cartão e os consumidores a serem recompensados de maneiras que parecem pessoais.

Historicamente, a categorização de dados de transações era confusa e manual. Mas com uma nova abordagem alimentada por Databricks, a Kard agora é capaz de classificar bilhões de transações de maneira rápida, precisa e flexível, estabelecendo a base para recompensas personalizadas que geram lealdade e valor a longo prazo.

O que a Kard faz

Kard promove a lealdade para todos os portadores de cartão e compradores através de um mercado de recompensas.

Nossa plataforma oferece a marcas como Dell, CVS, Allbirds e Round Table Pizza acesso a dezenas de milhões de consumidores, entregando ofertas de cashback através de aplicativos bancários de emissores e fintechs, programas de recompensas e plataformas EBT. Ver uma oferta de cashback de 10% ou 15% incentiva os clientes a fazerem uma compra (geralmente de maior valor).

E no modelo de pagamento por desempenho da Kard, as marcas só pagam quando uma compra ocorre, garantindo um amplo alcance sem os altos custos ou riscos da compra tradicional de mídia.

Recompensas de cashback também beneficiam os emissores e as fintechs. Ao oferecer recompensas que os usuários se importam, eles aumentam o engajamento e o uso entre seus portadores de cartão.

Mas o que torna o Kard particularmente especial são os insights de nível de categoria que ele captura, fornecendo percepções sem expor qualquer PII.

Por que insights em nível de categoria são importantes para recompensas

Saber em que os usuários gastam seu dinheiro ajuda as marcas (e bancos e fintechs) a entenderem suas bases de clientes de uma maneira mais rica. No agregado, os padrões de gastos que a Kard coleta:

• Alimente campanhas de marketing mais inteligentes — você pode identificar segmentos de alta intenção com base no comportamento. Por exemplo, se uma grande porcentagem de usuários usa regularmente serviços de compartilhamento de caronas tarde da noite, bancos e marcas podem direcioná-los com ofertas de cashback específicas para o fim de semana.
• Informe o design do produto revelando necessidades não atendidas. Se os dados mostram que usuários mais jovens estão mudando seus gastos de supermercados para aplicativos de entrega de comida, uma fintech pode priorizar recompensas vinculadas a categorias orientadas para a conveniência.
• Inspire novas parcerias ao destacar sobreposições comuns de comerciantes entre diferentes grupos de usuários. Por exemplo, se viajantes frequentes consistentemente reservam a mesma cadeia de hotéis e agências de aluguel de carros, há um forte argumento para negociar recompensas co-branded ou vantagens exclusivas com esses parceiros.

Os padrões categóricos se tornam ainda mais poderosos quando você se concentra no indivíduo.

Por exemplo, talvez um usuário específico gaste mais em apostas esportivas. Uma oferta de varejo genérica pode passar despercebida, mas uma promoção para um aplicativo de apostas pode gerar engajamento instantâneo.

Digamos que um usuário diferente diminuiu seus gastos com supermercado, mas aumentou o uso de aplicativos de entrega de comida nos últimos 90 dias. Isso indica uma mudança de hábitos - e uma oportunidade de recompensar a conveniência em vez do custo.

Finalmente, outro usuário voa frequentemente, mas sempre com a mesma companhia aérea. Essa lealdade pode ser reforçada com recompensas direcionadas, ou até mesmo promovida para o nível premium daquela companhia aérea. Outras marcas de companhias aéreas podem nem mesmo querer direcionar aquele indivíduo. Ou eles podem apenas apresentar as ofertas de maior retorno em dinheiro para melhorar suas chances de atrair o cliente para longe de sua companhia aérea preferida.

Sem categorias de transações confiáveis, no entanto, nenhum desses cenários de personalização é possível.

Como as plataformas de recompensas historicamente rotulavam as transações

A categorização é a chave para destravar estratégias de entrada no mercado de alto ROI para nossas marcas e emissores, mas é mais difícil do que parece.

Primeiro, você precisa rotular todas as transações. Tradicionalmente, existem duas maneiras de realizar isso:

1. Ter analistas revisando cada transação, linha por linha, marcando cada uma de acordo com uma taxonomia predefinida. Como você pode imaginar, este método é tedioso, propenso a erros e incrivelmente difícil de escalar.
2. Permita que os usuários categorizem suas próprias transações. Embora esta abordagem deixe menos trabalho para os analistas, também enche os dados de inconsistências. Um usuário pode rotular Domino’s como “fast food”, outro pode chamá-lo de “pizza”, e um terceiro pode marcá-lo como “comida confortável”, tornando extremamente difícil obter insights confiáveis.

Uma vez que uma quantidade substancial de transações estejam rotuladas, as equipes de engenharia podem começar a treinar modelos de aprendizado de máquina como LightGBM, XGBoost ou BERT para prever categorias para novas transações não vistas.

Com o tempo, esses modelos poderiam eliminar a necessidade de marcação manual. No entanto, eles requerem manutenção e atualizações à medida que as empresas evoluem e os formatos de transação mudam. Adicionar novos tipos de categoria (digamos, para uma indústria emergente ou um novo vertical de cliente) poderia envolver o retrabalho ou até mesmo a reestruturação do modelo.

Para apoiar nosso negócio em crescimento, precisávamos de uma abordagem mais simplificada, precisa e flexível para categorizar os bilhões de transações que recebemos a cada mês.

Como o Databricks potencializa uma abordagem moderna de categorização

Trabalhando com a Databricks, criamos um sistema único e escalável para a categorização de transações:

1. Utilizando Funções de IA do Databricks para executar lotes, fluxo de trabalho agente que categoriza transações com base em uma taxonomia derivada internamente.
2. Os resultados são limitados com a funcionalidade de saída estruturada, usando o formato de resposta json_schema com o recurso enum para limitar erros.
3. Agentes de IA processam as transações recebidas contra a taxonomia necessária, uma para cada tipo de categorização. Em uma instância, podemos capturar categorias de alto nível como Viagem, e então identificar categorias hierárquicas como Viagem → Tarifa aérea e até mesmo mais adiante, Viagem → Tarifa aérea → Companhia aérea regional.
4. As inconsistências são repassadas para caminhos que são avaliados por juízes agentes, o que permite a recategorização em caso de erros.

Os custos reduzidos dessa nova abordagem deram à nossa equipe mais flexibilidade. Se uma nova linha de negócios se abre, podemos alterar nossas categorias imediatamente - sem ter que treinar totalmente o modelo novamente. Na verdade, acabamos de abrir algumas novas categorias de CPG para apoiar uma parceria com um popular aplicativo de recompensas.

Alguns de nossos clientes solicitaram que usemos seu próprio mapeamento de categorias para alinhar com seus sistemas internos. Agora, podemos simplesmente passar essa taxonomia alternativa diretamente para o nosso novo sistema e ele traduzirá as saídas de acordo.

"Ser capaz de agrupar comerciantes em suas respectivas categorias nos oferece muita vantagem com os clientes," diz Chris Wright, engenheiro de aprendizado de máquina da equipe Kard.

“Por exemplo, podemos dizer aos comerciantes que os usuários dentro de sua categoria normalmente acham que os tipos de oferta x, y e z funcionam melhor. Também podemos ajudar os comerciantes a segmentar um grupo de usuários que já compraram com eles no passado e tiveram um recente aumento nos gastos com, digamos, entrega de comida ou compartilhamento de caronas. E podemos informar aos nossos clientes com quem eles estão competindo em sua categoria e região para que possam refinar suas campanhas de acordo.

O que vem a seguir para Kard e Databricks: hiper-personalização

As categorias de transações podem parecer um detalhe nos bastidores. Mas a agilidade que obtemos com o categorizador alimentado pelas Funções de IA do Databricks nos permite avançar rapidamente sem comprometer nossa base de dados, e ter confiança na escalabilidade da solução.

Além disso, também abre a porta para novos tipos de produtos e serviços para os clientes da Kard, como:

• Ofertas de cartão personalizadas com base em hábitos alimentares ou de viagem em mudança
• Recompensas mais atraentes para clientes fiéis de um comerciante específico.
• Sugestões inteligentes baseadas no horário do dia ou comportamento sazonal
• Programas de cashback financiados por comerciantes direcionados por segmento, não apenas por demografia.
• Programas de pontos ganhos (para marcas e emissores)

Ao investir em uma categorização mais inteligente agora, estamos estabelecendo as bases para uma experiência de recompensas verdadeiramente personalizada que aumenta a frequência de compra, aumenta o valor médio do pedido (AOV) e sustenta a lealdade do cliente para marcas e emissores.

Conclusão

Neste post do blog, mostramos como as Funções de IA do Databricks estão alimentando o enriquecimento de dados para o pipeline de categorização da Kard. Isso permite a personalização em escala e promove a lealdade e o valor com uma fração do esforço que normalmente seria necessário.

Interessado em saber mais? Entre em contato com um de nossos especialistas hoje!

Sobre Kard

Kard é uma empresa fintech sediada em Nova York, fundada em 2015, que oferece uma plataforma de recompensas como serviço para bancos, neobancos e emissores de cartões. Sua API permite que as instituições financeiras lancem e personalizem rapidamente programas de recompensas para portadores de cartões, conectando usuários a milhares de comerciantes e marcas em todo os EUA. A plataforma da Kard é projetada para promover a lealdade e o engajamento do cliente, facilitando para os portadores de cartão ganharem recompensas em compras cotidianas. A empresa é apoiada por grandes investidores e atende mais de 45 milhões de portadores de cartões por meio de sua rede de emissores e parceiros.

(This blog post has been translated using AI-powered tools) Original Post