
Com a loja de recursos da Databricks, o MLflow e o Genie Code, encurtamos o ciclo entre dados, modelo e decisão.
O Banco Bradesco, uma das maiores instituições financeiras do Brasil, precisa adaptar os preços do crédito às mudanças de comportamento do cliente e às condições de mercado. No Azure Databricks, o banco criou uma estrutura reutilizável que conecta modelos de machine learning (ML) de demanda do cliente à otimização de preços de crédito. Com o Genie Code oferecendo suporte para o desenvolvimento, desde a preparação de dados até o solver de otimização, a equipe reduziu o tempo de implementação de novos recursos de otimização de 80 horas para 8 horas. A estrutura agora abrange seis produtos de crédito, com quatro em produção e todos com suporte da mesma equipe.
Aproximando os modelos de demanda das decisões de crédito
Para o Banco Bradesco, o preço do crédito deve equilibrar a lucratividade e o volume de empréstimos dentro de restrições de risco, financiamento, regulamentares e de mercado. O banco queria aproveitar seu recurso de análise estabelecido adicionando otimização matemática para responder ao mercado com mais detalhes.
Os modelos de machine learning (ML) estimam a sensibilidade dos clientes a alterações de preços e sua probabilidade de aceitar uma oferta de crédito. Essas previsões alimentam um solver de otimização que determina taxas em segmentos de clientes dentro das restrições do banco. "A otimização é uma disciplina essencial para decisões de crédito", disse Rafael Forte Araujo Cavalcanti, Diretor de Inteligência de Dados e CRM do Banco Bradesco. "Trazer essa prática para uma plataforma de dados moderna integrada com IA permite conectar modelos e estratégia de negócios a decisões de preços que são mais rápidas, justas e escaláveis para nossos clientes."
"A modelagem de demanda é o mecanismo de otimização de preços, porque traduz o comportamento do cliente em decisões comerciais", disse Alexandre Amorim, Gerente Sênior de Modelagem do Banco Bradesco. "Como esse comportamento muda rapidamente em resposta a fatores econômicos, competitivos e de mercado, manter os modelos de demanda atualizados nos ajuda a capturar mais rapidamente as mudanças no comportamento do cliente e as condições de mercado." A equipe precisava atualizar os modelos com eficiência, permitindo que os líderes de negócios ajustassem a estratégia comercial dentro de limites aprovados, sem exigir um novo ciclo de desenvolvimento para cada alteração.
A Bradesco criou sua estrutura de preços no Azure Databricks usando tabelas Delta, Unity Catalog, feature store, MLflow e Lakeflow Jobs, com um solver de otimização escrito em Python. O solver usa estimativas de demanda e parâmetros definidos por negócios para encontrar uma solução dentro das restrições do banco.
A otimização é executada na Databricks e gera um fator de otimização que alimenta as tabelas de decisão usadas pelo processo de preços em tempo real do banco. Quando um cliente executa uma simulação no aplicativo, o preço retornado já reflete essa otimização. As decisões finais permanecem sujeitas à validação de negócios. O retreinamento automatizado, o controle de versões e o monitoramento contínuo ajudam a equipe a manter os modelos de demanda alinhados com as mudanças nas condições de mercado.
"No crédito, um preço justo é aquele que reflete o risco de cada cliente. Trazer os preços para uma plataforma de dados e IA permite decidir de forma mais rápida e consistente, sempre dentro de nossas políticas, e oferecer crédito de forma mais sustentável. É assim que colocamos o cliente no centro da decisão", acrescenta Fabio Monteiro Chehab, Diretor de Crédito do Banco Bradesco.
Simplificação do desenvolvimento com o Genie Code para precificação de crédito
Com a plataforma principal em vigor, a Bradesco se concentrou em acelerar a entrega em todo o fluxo de trabalho de ponta a ponta, desde a preparação de dados até a modelagem de demanda e o solver de otimização. Foi aí que o Genie Code se tornou parte do trabalho diário de engenheiros e cientistas de dados.
Aproveitamento do Genie Code em todo o fluxo de trabalho de desenvolvimento
A equipe usa o Genie Code para preparação de dados, desenvolvimento de recursos de ML, treinamento de modelo e otimização matemática. Ele ajuda a gerar e revisar funções, criar testes unitários, protótipos de modelos e criar andaimes de projetos.
"Usamos o Genie Code em todo o processo de otimização, desde a preparação de dados até o treinamento dos modelos para chamadas de jornada do cliente. Escrevemos menos código e temos mais tempo para pensar no negócio. Foi assim que levamos a solução para outros produtos sem aumentar a equipe", disse Alessandro Pereira da Silva, Especialista em Engenharia de Dados do Banco Bradesco.
Os engenheiros aprenderam aplicando o Genie Code em seus próprios tickets de trabalho, e agora ele está incluído no guia de testes de unidade da plataforma. Com a ajuda do Genie Code, a equipe de otimização reduziu o tempo de implementação de um novo recurso de otimização de ML de cerca de 80 horas para 8 horas. Isso permite que a mesma equipe ofereça suporte a mais mecanismos de preços e alterações.
"Com a feature store da Databricks, o MLflow e o Genie Code, encurtamos o ciclo entre dados, modelo e decisão e criamos a base para escalar essa arquitetura com segurança para novos produtos e domínios, permitindo escolhas e processos mais rápidos", disse Bruno Rosevics, Gerente Sênior de Ciência de Dados do Banco Bradesco.
Capacitando equipes de negócios com Genie Agents e dados governados
As equipes de negócios obtiveram mais controle sobre como usam esse recurso. Uma camada de parâmetros separada permite ajustar a estratégia comercial dentro de limites aprovados em minutos.
"A estratégia de preços saiu do código e está nas mãos das pessoas responsáveis por ela. A empresa define os parâmetros, treinamos os modelos e a jornada do cliente os usa para otimizar os preços. Cada decisão é gravada", disse Pedro Antonio Boareto, Gerente de Tecnologia de Dados e IA do Banco Bradesco.
Eles também usam o Genie Agents para explorar simulações de preços em linguagem natural, perguntando como os resultados variam por segmento ou como uma mudança de estratégia afeta a margem e o volume. Essas consultas baseiam-se em dados curados e validados governados pelo Unity Catalog. Cada execução de otimização registra os parâmetros e a versão do modelo que a gerou, tornando os resultados rastreáveis.
Escalando os recursos de preços de crédito com eficiência
Uma estrutura compartilhada e reutilizável permite estender a otimização de preços de crédito em vários produtos sem reconstruir os mesmos componentes cada vez. À medida que a Bradesco expande a cobertura, cada produto adicional se baseia na base existente a custo marginal. Isso permite que o banco faça mais com a mesma equipe.
Hoje, a estrutura compartilhada inclui:
- Seis produtos de crédito cobertos: crédito pessoal (agência), crédito parcelado (CMR), empréstimos consignados públicos, capital de giro para empresas de varejo, financiamento de veículos (CDC) para indivíduos e empréstimos consignados privados
- Quatro produtos de crédito ao vivo em produção
- 256 usuários de preços, incluindo analistas, cientistas de dados e engenheiros
Juntamente com o desenvolvimento mais rápido de recursos de ML, a Bradesco relata uma redução de 65% nos custos de processamento. A base reutilizável e o ciclo de desenvolvimento mais rápido dão à equipe mais capacidade para manter e estender seus modelos de preços.
"A IA não é escalável sem dados de qualidade", disse Vanessa Aparecida de Oliveira Ramalho, Gerente Sênior do Banco Bradesco. "Quando investimos em uma base governada e reutilizável, deixamos de tratar cada iniciativa como um esforço isolado e começamos a criar um recurso que continua evoluindo."
A Bradesco planeja estender a estrutura em todos os produtos de crédito. A empresa também planeja expandir o uso do Genie Code em engenharia e dar às equipes de negócios mais autonomia para explorar simulações com Genie Agents. Sua direção de longo prazo é avançar para decisões suportadas por agentes de IA que operam com dados governados. A Databricks continuará sendo fundamental para a conexão entre dados, modelos e decisões de negócios.
Perguntas frequentes: como o Banco Bradesco usa o Genie Code e o machine learning para precificação de crédito
Os modelos de demanda estimam a elasticidade de preço e a probabilidade de que um cliente aceite uma oferta de crédito. Um solver de otimização do Python usa essas estimativas, parâmetros definidos por negócios e restrições para otimizar as taxas em todos os segmentos de clientes. A otimização é executada na Databricks e gera um fator que alimenta as tabelas de decisão usadas com preços em tempo real, com decisões finais sujeitas à validação de negócios.
