Stacking Ensemble Models for Predicting Digital Payment Adoption: A Comprehensive Machine Learning Analysis of Global Findex 2025 Data

Imagine a economia global como um mercado enorme e movimentado, onde todos estão tentando negociar, poupar e comprar coisas. Por muito tempo, esse mercado era majoritariamente físico — você precisava ir a um banco, carregar dinheiro em espécie ou escrever um cheque. Mas recentemente, uma nova ferramenta mágica apareceu: os pagamentos digitais. Estes são como moedas invisíveis que viajam pelo ar através de smartphones e computadores, permitindo que as pessoas paguem pelas coisas sem nunca tocar em papel-moeda. Essa mudança é um grande acontecimento porque ajuda pessoas que antes estavam bloqueadas do mercado — como aquelas em vilas remotas ou sem muito dinheiro — a finalmente se juntarem à festa. Isso é chamado de "inclusão financeira", e é a chave para ajudar todos a construírem uma vida melhor.

Mas aqui está a parte complicada: nem todo mundo está usando essas moedas digitais ainda. Algumas pessoas estão mergulhando de cabeça, enquanto outras estão observando da lateral, confusas ou assustadas. Cientistas e economistas têm tentado descobrir exatamente por que algumas pessoas adotam essas novas ferramentas enquanto outras não. Eles observam pistas como quanto dinheiro alguém ganha, qual a sua idade e se possui um smartphone. Tradicionalmente, eles usavam matemática simples para adivinhar a resposta, mas o mundo é bagunçado e complicado. Às vezes, as pistas interagem de maneiras estranhas — como o fato de ter um smartphone não ajudar se você não souber como usá-lo, ou de ter dinheiro não ajudar se você não confiar na internet. Para resolver esse quebra-cabeça, pesquisadores agora estão usando "aprendizado de máquina" (machine learning), que é como ensinar um robô superinteligente a olhar milhões de pistas de uma só vez e encontrar padrões que os cérebros humanos podem deixar passar.

Neste estudo, uma equipe de pesquisadores decidiu construir um detetive robô superpoderoso para resolver o mistério da adoção de pagamentos digitais. Eles não pediram apenas a um robô; eles construíram toda uma equipe de robôs, cada um com uma forma diferente de pensar, e depois os ensinaram a trabalhar juntos. Eles usaram um conjunto de dados massivo chamado "Global Findex 2025", que é como um álbum de fotos gigante contendo informações de 140.090 adultos de 141 países diferentes. Após limpar as partes bagunçadas dos dados, eles obtiveram uma imagem clara de 10.2954 pessoas para estudar.

Os pesquisadores começaram dando à sua equipe de robôs uma lista de 183 pistas (variáveis) diferentes para observar, tais como níveis de educação, acesso à internet e fontes de renda. Para facilitar o trabalho, eles usaram um filtro inteligente para selecionar as 66 pistas mais importantes e também combinaram algumas delas em novas "super-pistas". Por exemplo, eles criaram uma "super-pista" que multiplicava o nível de educação de uma pessoa pelo seu uso da internet, porque a equipe suspeitava que ter ambos juntos era muito mais poderoso do que ter apenas um. Eles também criaram novas pistas sobre quantas formas diferentes uma pessoa ganha dinheiro e o quão "financeiramente inclinada" ela é (como se ela poupa dinheiro ou possui um cartão de crédito).

Em seguida, os pesquisadores treinaram três tipos diferentes de robôs "base" usando algoritmos avançados chamados XGBoost, LightGBM e CatBoost. Pense nisso como três detetives diferentes: um é ótimo em notar pequenos detalhes, outro é rápido em processar grandes quantidades de informação e o terceiro é excelente em lidar com dados categóricos desorganizados. Eles não deixaram esses robôs apenas adivinharem; eles usaram uma ferramenta especial chamada Optuna para ajustar suas configurações, como ajustar o foco de uma lente de câmera, para garantir que eles fossem o mais nítidos possível.

Mas a verdadeira magia aconteceu quando decidiram colocar esses robôs em uma equipe de "empilhamento" (stacking). Em vez de deixar um único robô tomar a decisão final, eles fizeram com que os três robôs base fizessem seus palpites primeiro. Depois, eles alimentaram esses palpites em um robô "meta-aprendiz" (neste caso, um classificador ExtraTrees), cujo único trabalho era ouvir os três robôs base e decidir quem estava certo. É como ter três especialistas dando suas opiniões, e então um juiz sábio ouve a todos para dar o veredito final. Os pesquisadores testaram essa equipe contra outros métodos, como apenas perguntar a um robô ou fazer com que os robôs votassem por maioria.

Os resultados foram impressionantes. A equipe de "empilhamento", especificamente a combinação de LightGBM e XGBoost como os detetives base com o robô ExtraTrees como o juiz, acertou 93,04% das vezes. Este foi o melhor índice que encontraram, superando os robôs individuais e outras combinações de equipes. Os pesquisadores também usaram uma ferramenta chamada SHAP para espiar dentro do cérebro do robô e ver por que ele tomava suas decisões. Eles descobriram que o robô era fortemente influenciado por três fatores principais: o nível de educação de uma pessoa, se ela tinha acesso à internet e quanto dinheiro ela ganhava. Curiosamente, o robô aprendeu que a educação e o acesso à internet funcionam melhor quando acontecem juntos; ter um sem o outro não era tão útil.

O estudo também mostrou que, embora o ajuste fino dos robôs (otimização de hiperparâmetros) tenha ajudado um pouco, o verdadeiro "ingrediente secreto" foi a própria estrutura da equipe. A abordagem de "empilhamento" tornou as previsões muito mais estáveis e precisas do que qualquer robô individual conseguiria alcançar sozinho. No entanto, os pesquisadores observaram que seu robô ainda teve certa dificuldade em prever o comportamento de populações de baixa renda e rurais. Isso sugere que, para esses grupos, ainda existem barreiras ocultas — como falta de confiança, medos de segurança ou velocidades lentas de internet — que o robô não conseguiu explicar totalmente apenas com os dados que possuía.

No fim, este artigo mostra que, ao usar uma equipe de modelos de aprendizado de máquina inteligentes e especializados trabalhando juntos, podemos prever quem começará a usar pagamentos digitais com uma precisão muito alta. Ele confirma que a educação e o acesso à internet são as chaves de ouro para desbloquear a inclusão financeira, mas também nos alerta que simplesmente construir a infraestrutura não é suficiente; precisamos garantir que as pessoas tenham as habilidades e a confiança para usá-la. Os pesquisadores sugerem que estudos futuros devem observar como esses comportamentos mudam ao longo do tempo e incluir fatores econômicos maiores, mas, por enquanto, esta equipe de robôs "empilhados" nos dá a visão mais clara até agora de como a revolução do dinheiro digital está se espalhando pelo globo.