Quando a pandemia da Covid-19 varreu o mundo, as instituições financeiras foram atiradas para um território desconhecido. Milhões de clientes se afogaram nele Instabilidade financeira, enquanto os bancos lutavam para navegar nas mudanças nas regulamentações e fornecer alívio imediato. dentro de meses, Mais da metade dessas instituições A Lifeline dependia de garantias governamentais e de mecanismos de partilha de riscos para lançar programas problemáticos que forneceriam o tão necessário apoio financeiro e pagamentos diferidos.
Estes programas, que oferecem adiamentos de hipotecas, alívio de empréstimos para aquisição de automóveis e até assistência ao aluguer, tornaram-se uma força estabilizadora para inúmeras famílias, mesmo que apenas temporariamente. A utilização do cartão de crédito aumentou à medida que as famílias tentavam colmatar a disparidade de rendimentos. Foi uma crise sem precedentes, que exigia medidas iguais de inovação e compaixão.
Em meio a essa turbulência, Rama KadapalaUm especialista experiente em ciência e análise de dados, emergiu como uma figura-chave na transformação de dados em uma força para o bem. Com mais de uma década de experiência em organizações globais como descobrirHSBC e CURO Financial Technologies, Kadapala é especializada em projetar e implementar programas financeiros baseados em dados que equilibram as necessidades dos bancos com as pessoas que deles dependem. “Existe um equívoco de que os dados são frios e impessoais”, explica Kadapala. “Os dados certos permitem suporte em uma escala que é impossível de alcançar de outra forma. Eles ajudam você a ver o cenário completo — todos de uma vez.”
Transformando dados em uma tábua de salvação
À medida que a pandemia se desenrolava, instituições financeiras como a Discover tiveram de encontrar um equilíbrio delicado: apoiar a sua vasta base global de clientes e, ao mesmo tempo, proteger a sua própria sustentabilidade. A experiência da Kadapala em aprendizado de máquina forneceu a base para sua resposta. Ao analisar anos de dados financeiros, Kadapala desenvolveu um modelo preditivo para segmentar clientes com base na saúde financeira e na probabilidade de reembolso. Essas ferramentas, por sua vez, permitem que a Discover priorize efetivamente seus recursos limitados, proporcionando alívio àqueles que mais precisam.
Esses esforços salvaram vidas. Os modelos de Kadapala ajudaram a reduzir a insegurança alimentar, os cortes de serviços públicos e outras crises contínuas nas famílias em risco. Ao mesmo tempo, salvaguardaram a saúde financeira da Discover, ajudando a organização a evitar potenciais perdas de quase 100 milhões de dólares. Sua equipe traduziu políticas governamentais complexas, viz Disposições de assistência de emergência da Lei CARESem estratégias estruturadas que possam atingir aqueles que estão em maior risco.
“Os dados são fundamentais para transformar uma crise enorme em algo administrável”, explica Kadapala. “Mesmo no auge da pandemia, nunca perdemos nossos clientes de vista.”
Modificando a competência e gerenciando a incerteza
Um dos desafios mais difíceis no alívio de crises é determinar quem é elegível para assistência e quando fornecê-la. Soluções gerais raramente funcionam, especialmente quando os meios de subsistência estão em jogo. Para lidar com isso, Kadapala empregou técnicas avançadas de aprendizado de máquina, incluindo o algoritmo XGBoost, para refinar os critérios de elegibilidade para programas difíceis.
Esses modelos podem ajudar a responder às questões mais importantes: Os programas estavam realmente ajudando os clientes a alcançar a estabilidade financeira? Quando o alívio foi mais eficaz? Como os programas podem ser sustentáveis ao longo do tempo?
Ao aproveitar dados históricos e criar grupos de pseudo-controlo, a equipa de Kadapala ajustou constantemente as suas estratégias para se adaptarem ao cenário em evolução da epidemia. Integraram factores externos, como iniciativas federais de ajuda humanitária e taxas de desemprego, garantindo que os seus modelos estavam ligados a realidades económicas mais amplas. Programas como Pagamentos de impacto económico E a assistência ao arrendamento foi integrada nos modelos, criando um sistema sincronizado que complementou os esforços do governo.
“Ao trabalhar com dados, o contexto é tudo”, diz Kadapala. “E você precisa reabastecê-lo constantemente – acompanhando os programas federais e o comportamento do cliente em paralelo. Grande parte do nosso sucesso deve-se ao facto de sermos orientados por dados e adaptáveis. “
Vendo as pessoas por trás dos números
Para Kadapala, o sucesso não é definido por métricas, mas pelas histórias humanas por trás delas. Embora o aprendizado de máquina e a análise preditiva sejam frequentemente vistos como ferramentas para eficiência, Kadapala acredita que também permitem que as organizações operem com empatia e, quando necessário, previsão.
Uma excelente iniciativa durante a Covid envolveu uma abordagem personalizada para garantir que os clientes estivessem cientes das suas opções de ajuda. Ao analisar os padrões de envolvimento omnicanal durante a pandemia, Kadapala identificou as melhores formas de alcançar os necessitados, muitas vezes em circunstâncias desafiadoras.
“As emergências exigem que você chegue primeiro”, explica Kadapala. “Você precisa atender os clientes onde eles estão e oferecer o suporte certo no momento certo – mesmo que não haja precedentes.”
Lições para o futuro
A pandemia da Covid-19 expôs fragilidades profundas nos sistemas financeiros que ainda exigem atenção. Ao mesmo tempo, demonstrou o poder das soluções baseadas em dados à escala global. Programas de ajuda, como o adiamento de pagamentos e a ajuda às rendas, proporcionaram estabilidade temporária, mas o seu sucesso dependeu de uma implementação cuidadosa e robusta.
Kadapala vê este momento como uma oportunidade de aprendizado para a indústria. “Em tempos de crise, os dados tornam-se a ponte mais forte entre as pessoas e a ajuda de que necessitam”, salienta. “É assim que podemos aumentar a empatia numa escala inimaginável. E temos a responsabilidade de cuidar de muitas pessoas. “
À medida que as instituições financeiras se preparam para crises futuras, os conhecimentos e metodologias desenvolvidos por especialistas como Kadapala oferecem um roteiro mais eficaz para enfrentar desafios complexos. O seu trabalho mostra que, com a combinação certa de dados e empatia, mesmo as crises mais terríveis podem ser geridas de forma eficaz – criando linhas de vida quando são mais necessárias.
