Produtos Financeiros; Sistema de Recomendação; Fintech; Classificação.

Sistemas de recomendação desempenham um papel crucial em diversos setores, incluindo o financeiro, ao oferecer sugestões personalizadas para os clientes com base em seus históricos e preferências. No contexto da indústria financeira e de crédito, tais sistemas têm o potencial de revolucionar a maneira como as instituições interagem com os clientes, sobretudo ao personalizar recomendações de produtos financeiros, como investimentos, seguros e empréstimos. Nesse estudo, foram analisados 208.570 registros de clientes de três serviços financeiros do tipo seguro, com o objetivo de criar uma solução capaz de apoiar as estratégias de marketing utilizadas na oferta desses serviços financeiros aos clientes de uma Fintech. A clusterização com K-Means, testada com 2 a 6 clusters, revelou importantes padrões de segmentação de clientes. Embora a configuração de dois clusters tenha alcançado o maior valor de Silhouette Score (0,4169), a abordagem com quatro clusters forneceu uma segmentação mais informativa para fins estratégicos. Para modelagem preditiva, após testes iniciais e busca aleatória de hiperparâmetros com validação cruzada em 5 e 10 folds para um conjunto de modelos, onde o XGBoost e o LightGBM reportaram 82% de Recall, este último foi selecionado para avaliação final devido ao seu menor custo computacional e à sua capacidade de manter um desempenho comparável ao XGBoost, neste caso. Quando aplicado ao conjunto de validação, que apresentou uma distribuição de seguros significativamente diferente dos dados de treino, causada por covariate shift, o desempenho do modelo caiu consideravelmente, para 43,1% de Recall. O modelo teve melhor desempenho com o Seguro C (63,7% de recall), mas teve dificuldades com o Seguro A (45,8% de Recall) e B (2,6% de recall). Quando treinado em 80% do conjunto de dados combinados, e validado nos 20% restantes, o LightGBM demonstrou melhorias substanciais nas métricas de acurácia e F1-Score para os Seguros A e C, alcançando Recall de 83,33% e 81,66%, respectivamente. Embora a performance do modelo com dados combinados tenha sido significativamente melhor, a mudança de covariáveis configura um desafio expressivo na modelagem da solução para propósito desse trabalho.