Andre Y.

Modelo de Exposição ao Default
Um dos meus projetos mais impactantes foi em um banco privado, onde desenvolvi um modelo de Exposição ao Default (EAD) para prever a probabilidade de inadimplência dos clientes em seus empréstimos. O modelo reduziu o capital ponderado pelo risco ao prever com precisão os níveis de exposição e ajudou a otimizar a tomada de decisões para as equipes de gerenciamento de risco. A principal ferramenta utilizada foi o SAS Guide.

Modelo de Propensão ao Churn
Na maior empresa de telecomunicações do Brasil, implementei um modelo de propensão ao churn, projetado para identificar clientes com maior probabilidade de cancelar serviços devido a dívidas (essencialmente um modelo de default, mas usamos o termo 'propensão ao churn' para facilitar o entendimento pela liderança). Utilizando regressão logística e o SAS Guide para manipulação e análise dos dados, conseguimos identificar clientes com pagamentos atrasados, mas que provavelmente pagariam. Isso nos permitiu encerrar contratos com call centers usados para cobrança de dívidas, reduzindo significativamente os custos com essas agências, já que não precisávamos mais dos serviços para clientes com baixa probabilidade de inadimplência. Além disso, o modelo ajudou a Vivo a otimizar suas estratégias de marketing e retenção, focando em clientes de alto risco com ofertas personalizadas.

Otimização de Precificação de Leads
No principal player do setor de serviços do Brasil, desenvolvi o primeiro modelo de precificação de leads da empresa usando machine learning. Utilizando um modelo em ensemble, criamos um modelo de precificação que garante o melhor preço de venda. Também utilizei modelos de dados em painel para refinar as estimativas de elasticidade de preço, assegurando que os preços fossem os mais lucrativos (ou competitivos, dependendo da estratégia atual da empresa).

Inferência Causal Avançada e Modelos de Painel
Além dos modelos de machine learning, apliquei técnicas de inferência causal para avaliar o impacto das decisões de negócios. Por exemplo, utilizei Diferença em Diferenças (Diff-in-Diff), Desenhos de Descontinuidade de Regressão (RDD) e Variáveis Instrumentais (IV) para avaliar os efeitos de mudanças de preços e estratégias promocionais. Esses métodos ajudaram a estabelecer relações causais claras e forneceram insights acionáveis que análises baseadas em correlação tradicional não poderiam oferecer. Modelos de painel, como Efeitos Fixos, foram cruciais para controlar a heterogeneidade não observada entre clientes e ao longo do tempo.