Como a Datasaga ajudou a Rappi a economizar milhões otimizando sua base de usuários com IA preditiva

Desafio

A Rappi enfrentava um dilema: Era necessário melhorar a margem da operação e, para isso, identificar quais clientes manter, quais restringir e quais ativar. A empresa precisava de uma maneira preditiva e acionável de analisar o P&L por usuário para decisões baseadas em dados.

O que fizemos

1. Modelagem de dados financeiros para cálculo do P&L por cliente (as is)
2. Modelo de Previsão de Margem de Contribuição (CM)
   • Testamos centenas de variáveis e arquiteturas de machine learning.
   • Atingimos 80% de acurácia geral, com 90% de acurácia na detecção de clientes com margem negativa.
   • Integramos os dados de receita, custo de risco, custo de captação e custo operacional em uma única base analítica automatizada.
3. Matriz de Prioridades 3D
   • Combinamos CM previsto, risco (A-E) e custo de risco (baixo, médio, alto).
   • Segmentamos a base em 6 clusters com recomendações específicas de ação.
4. Simulações estratégicas
   • Indicaram ganhos potenciais anualizados de até US$ 16 milhões.
   • Ações como restrições de crédito, campanhas de ativação segmentadas e reclassificação de clusters foram modeladas e priorizadas.

Impacto

• Criação de um modelo de decisão baseado em inteligência artificial para toda a operação financeira do RappiCard.
• Redução drástica do custo de oportunidade com base na identificação de R$ 50 milhões em valor desperdiçado por decisões operacionais imprecisas.
• Estratégia de growth baseada em dados preditivos, elevando a eficiência financeira e o ROI por usuário.