Inferência causal e hiperpersonalização em escala: a convergência de arquiteturas estocásticas e inteligência artificial generativa na maximização do customer lifetime valueem ecossistemas financeiros causal
Inference and hyper-personalization at scale: the convergence of stochastic architectures and generative ai in maximizing customer lifetime value within financial ecosystems
DOI:
https://doi.org/10.51473/rcmos.v1i2.2024.1881Palavras-chave:
Hiperpersonalização, GenAI, Inferência Causal, Arquitetura de Dados, LTV.Resumo
Este estudo apresenta uma análise exaustiva sobre a aplicação de modelos de Inferência Causal e Inteligência Artificial Generativa (GenAI) na segmentação comportamental dentro de instituições financeiras de grande porte. Investiga-se a transição de arquiteturas de dados monolíticas para ecossistemas orientados a eventos (Event-Driven Architecture), demonstrando como a redução da latência informacional impacta diretamente métricas de engajamento e receita. O artigo detalha a engenharia por trás de um estudo de caso real que resultou em um aumento de 46% no engajamento de mensagens transacionais e na geração de R$ 19 milhões em receita incremental, propondo um novo paradigma para a gestão do Customer Lifetime Value (LTV). A pesquisa conclui que a orquestração de algoritmos estocásticos com governança de dados em tempo real é o vetor determinante para a retenção de clientes na economia digital.
Downloads
Referências
AGARWAL, AJAY; GANS, JOSHUA; GOLDFARB, AVI. Prediction machines: the simple economics of artificial intelligence. Boston: Harvard Business Review Press, 2018.
ANDERSON, CHRIS. The long tail: why the future of business is selling less of more. New York: Hyperion, 2006.
DEHGHANI, ZHAMAK. Data mesh: delivering data-driven value at scale. Sebastopol: O’Reilly Media, 2022.
FADER, PETER S.; HARDIE, BRUCE G. S. Probability models for customer-base analysis. Journal of Interactive Marketing, v. 23, n. 1, p. 61–69, 2009. DOI: https://doi.org/10.1016/j.intmar.2008.11.003
GOODFELLOW, IAN; BENGIO, YOSHUA; COURVILLE, AARON. Deep learning. Cambridge: MIT Press, 2016.
GUPTA, SUNIL; LEHMANN, DONALD R. Managing customers as investments: the strategic value of customers in the long run. Upper Saddle River: Wharton School Publishing, 2005.
HINTON, GEOFFREY. Deep learning—A technology with the potential to transform health care. JAMA, v. 320, n. 11, p. 1101–1102, 2018. DOI: https://doi.org/10.1001/jama.2018.11100
IMBENS, GUIDO W.; RUBIN, DONALD B. Causal inference for statistics, social, and biomedical sciences: an introduction. Cambridge: Cambridge University Press, 2015. DOI: https://doi.org/10.1017/CBO9781139025751
KLEPPMANN, MARTIN. Designing data-intensive applications: the big ideas behind reliable, scalable, and maintainable systems. Sebastopol: O’Reilly Media, 2017.
KOTLER, PHILIP; KARTAJAYA, HERMAWAN; SETIAWAN, IWAN. Marketing 4.0: moving from traditional to digital. Hoboken: Wiley, 2016.
NEWMAN, SAM. Building microservices: designing fine-grained systems. Sebastopol: O’Reilly Media, 2015.
OSTERWALDER, ALEXANDER; PIGNEUR, YVES. Business model generation: a handbook for visionaries, game changers, and challengers. Hoboken: Wiley, 2010.
PEARL, JUDEA. Causality: models, reasoning, and inference. 2. ed. Cambridge: Cambridge University Press, 2009. DOI: https://doi.org/10.1017/CBO9780511803161
PEARL, JUDEA; MACKENZIE, DANA. The book of why: the new science of cause and effect. New York: Basic Books, 2018.
PORTER, MICHAEL E.; HEPPELMANN, JAMES E. How smart, connected products are transforming competition. Harvard Business Review, nov. 2014.
RIES, ERIC. The lean startup: how today’s entrepreneurs use continuous innovation to create radically successful businesses. New York: Crown Business, 2011.
RUSSELL, STUART; NORVIG, PETER. Artificial intelligence: a modern approach. 4. ed. Harlow: Pearson, 2020.
SCHWAB, KLAUS. The fourth industrial revolution. Geneva: World Economic Forum, 2016.
THRUN, SEBASTIAN; PRATT, LORIEN (Org.). Learning to learn. Berlin: Springer, 1998. DOI: https://doi.org/10.1007/978-1-4615-5529-2
VASWANI, ASHISH et al. Attention is all you need. Advances in Neural Information Processing Systems, v. 30, 2017.
Downloads
Publicado
Edição
Seção
Categorias
Licença
Copyright (c) 2024 Willian Gouveia de Aguiar (Autor)
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Este trabalho está licenciado sob a Licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0). Isso significa que você tem a liberdade de:
- Compartilhar — copiar e redistribuir o material em qualquer meio ou formato.
- Adaptar — remixar, transformar e construir sobre o material para qualquer propósito, inclusive comercial.
O uso deste material está condicionado à atribuição apropriada ao(s) autor(es) original(is), fornecendo um link para a licença, e indicando se foram feitas alterações. A licença não exige permissão do autor ou da editora, desde que seguidas estas condições.
A logomarca da licença Creative Commons é exibida de maneira permanente no rodapé da revista.
Os direitos autorais do manuscrito podem ser retidos pelos autores sem restrições e solicitados a qualquer momento, mesmo após a publicação na revista.
Como Citar
