💻 ciência da computação

Efficient HMM-Based Interpretable Customer Representation for Customer Segmentation in Banking

Este artigo propõe o framework SASI, uma abordagem interpretável baseada em Modelos Ocultos de Markov que captura efetivamente a dinâmica sequencial do comportamento do cliente para segmentação bancária, alcançando um desempenho de agrupamento competitivo e visualizabilidade direta em conjuntos de dados sintéticos e do mundo real.

Autores originais: KELY MAXIME MOTUE DJOKO, SYLVAIN ILOGA

Publicado 2026-11-11

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: KELY MAXIME MOTUE DJOKO, SYLVAIN ILOGA

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No vasto e pulsante ecossistema da banca moderna, cada passagem de cartão e cada transferência digital deixa um rastro. Durante décadas, as instituições financeiras tentaram dar sentido a esses rastros agrupando os clientes em categorias, uma prática conhecida como segmentação. Essa classificação não é meramente uma tarefa administrativa; é o fundamento de como os bancos decidem quem recebe um empréstimo, quem recebe uma oferta especial e quem pode estar em risco de fraude. Tradicionalmente, essa classificação baseava-se em um instantâneo simples e estático da atividade de uma pessoa: quão recentemente ela gastou dinheiro, com que frequência o fez e quanto gastou no total. Embora seja fácil de entender, esse método trata o histórico de um cliente como uma única fotografia, ignorando o ritmo e o fluxo de sua vida financeira diária. Ele não consegue distinguir entre uma pessoa que gasta de forma constante ao longo de um ano e alguém que faz uma compra massiva e depois desaparece por meses, mesmo que o gasto total seja idêntico. À medida que a banca se torna mais digital e complexa, a necessidade de compreender a sequência real de eventos — a história por trás dos números — tornou-se urgente.

Uma equipe de pesquisadores de universidades de Camarões e França propôs uma nova forma de contar essa história. Eles desenvolveram um sistema chamado SASI, que significa Sequential Amounts and Sequential Intensity (Quantias Sequenciais e Intensidade Sequencial). Em vez de tirar um instantâneo estático, essa abordagem ouve o ritmo das transações de um cliente ao longo do tempo. Os pesquisadores perceberam que, para realmente entender um cliente bancário, deve-se observar duas coisas específicas: o tamanho do dinheiro que entra e sai, e os intervalos de tempo entre esses movimentos. Para capturar isso, utilizaram uma ferramenta matemática chamada Modelo de Markov Oculto. Em termos simples, essa ferramenta atua como um mapa probabilístico que aprende os padrões ocultos em uma sequência de eventos. Ela não apenas conta transações; ela aprende a probabilidade de um cliente fazer um grande depósito após uma longa espera, ou um pequeno saque após uma série rápida de compras. Ao analisar esses padrões, o sistema traduz um histórico complexo de centas de transações em um único ponto, de fácil leitura, em um gráfico bidimensional.

Os pesquisadores testaram essa ideia com dados do mundo real provenientes de duas fontes diferentes. Uma era um conjunto de dados sintéticos que simulava os hábitos bancários de 1.503 clientes na Nigéria, capturando as nuances específicas da banca móvel e os padrões de gastos regionais de lá. A outra era um conjunto de dados históricos do mundo real de um banco tcheco, contendo seis anos de registros de transações de 2.039 clientes. Em ambos os casos, o sistema SASI agrupou com sucesso os clientes em clusters distintos com base em seus ritmos comportamentais. Os resultados foram impressionantes. Nos dados nigerianos, o sistema criou grupos altamente distintos entre si, com um nível de consistência interna que superou muitos métodos existentes. Nos dados tchecos, alcançou a pontuação mais alta possível para precisão de agrupamento entre os métodos testados. Crucialmente, ao contrário de muitos sistemas de inteligência artificial modernos que produzem resultados escondidos dentro de códigos complexos e ilegíveis, o sistema SASI produziu um mapa visual claro. Um analista bancário poderia olhar para o gráfico e entender imediatamente o que cada grupo representava: talvez um "contribuinte muito intensivo", que movimenta dinheiro frequentemente e em grandes quantias, ou um "consumidor dormente", que raramente interage com o banco.

O estudo também abordou um problema comum na ciência de dados: o equilíbrio entre precisão e compreensão. Muitos modelos computacionais avançados conseguem agrupar clientes muito bem, mas o fazem comprimindo informações em espaços de alta dimensão que os humanos não conseguem visualizar sem processamento adicional. Esses modelos frequentemente atuam como "caixas pretas", onde a razão para um agrupamento específico é obscura. O framework SASI evita isso por design. Ele força os dados para um espaço bidimensional onde o eixo horizontal representa as quantias sequenciais de dinheiro e o eixo vertical representa a intensidade ou frequência da atividade. Isso significa que o resultado final não é apenas uma lista de números, mas uma imagem que conta uma história. Os pesquisadores descobriram que essa abordagem foi não apenas precisa, mas também eficiente. O processamento de milhares de clientes levou menos de uma hora em um computador padrão e, quando o trabalho foi dividido entre múltiplos processadores, o tempo diminuiu significativamente, sugerindo que o método pode escalar para lidar com milhões de clientes em um ambiente bancário real.

No entanto, os pesquisadores são cautelosos ao notar os limites de seu trabalho. O sistema atualmente baseia-se na premissa de que o comportamento de um cliente durante um período fixo é um indicador confiável de suas ações futuras. Também simplifica os dados ao normalizar os valores das transações, o que ajuda na comparação entre diferentes clientes, mas pode ser sensível a valores extremos (outliers). Além disso, a versão atual agrupa os clientes em formas esféricas, o que funciona bem para muitos casos, mas pode perder padrões mais complexos e irregulares no comportamento do cliente. Apesar dessas limitações, as descobertas sugerem uma mudança poderosa na forma como os bancos podem visualizar seus clientes. Ao passar de uma contagem estática de transações para uma compreensão dinâmica de sequências comportamentais, as instituições financeiras podem obter uma imagem mais clara e legível para humanos de seus clientes. Essa clareza permite uma melhor tomada de decisão, seja adaptando um produto financeiro a um estilo de vida específico ou detectando atividades incomuns que sinalizam fraude. O trabalho demonstra que é possível construir ferramentas analíticas sofisticadas que permaneçam transparentes e interpretáveis, preenchendo a lacuna entre dados complexos e a compreensão humana.

Resumo Técnico: Representação de Cliente Interpretável Baseada em HMM Eficiente para Segmentação de Clientes no Setor Bancário

1. Definição do Problema

A segmentação de clientes é um pilar dos sistemas de apoio à decisão bancária, facilitando o marketing direcionado, a gestão de risco e a detecção de fraudes. No entanto, as abordagens existentes sofrem de limitações significativas em relação à representação do comportamento do cliente:

RFM Estático (Recência–Frequência–Valor Monetário): Embora interpretável e eficiente, o RFM estático agrega transações em estatísticas únicas, ignorando a organização sequencial e a dinâmica temporal da atividade do cliente. Clientes com tripletos RFM idênticos podem exibir padrões comportamentais vastamente diferentes (ex: surtos de atividade precoce vs. tardia) que o RFM não consegue distinguir.
RFM Dinâmico e Deep Learning: O RFM dinâmico captura a evolução temporal, mas ainda depende de estatísticas agregadas dentro de janelas deslizantes. Modelos de deep learning (ex: VAEs, LSTMs, Transformers) capturam dependências sequenciais complexas, mas frequentemente produzem representações latentes de alta dimensão que são difíceis de interpretar, exigem redução de dimensionalidade adicional para visualização e demandam recursos computacionais substanciais.

Existe uma lacuna para um método que ofereça simultaneamente interpretabilidade, visualização de baixa dimensão, compatibilidade com agrupamento convencional e eficiência computacional, enquanto captura a dinâmica sequencial tanto dos valores das transações quanto da intensidade das transações.

2. Metodologia: O Framework SASI

Os autores propõem o framework Sequential Amounts and Sequential Intensity (SASI), que utiliza Modelos Ocultos de Markov (HMMs) para gerar um embedding de cliente bidimensional e interpretável.

2.1 Pré-processamento de Dados e Construção da Cadeia de Markov

Para um cliente $U$ com uma janela de transações cronológica $w = (d_1, a_1), \dots, (d_T, a_T)$ , o framework realiza as seguintes transformações:

Extensão da Janela: Duas transações de valor zero fictícias são inseridas no início ( $d_{start}$ ) e no fim ( $d_{end}$ ) do período de observação para contabilizar períodos de inatividade.
Cadeia de Markov Pseudo ( $\hat{\delta}$ ): A janela é inicialmente mapeada para uma cadeia de Markov pseudo onde os estados são datas e as observações são valores de transação.
Discretização e Normalização:
- Intensidade (Estados): As datas são convertidas em atrasos entre transações ( $D(d_i, d_j)$ ) e discretizadas em 7 níveis de atividade (desde "mesmo dia" até "além de 6 meses"). Estes níveis formam os estados ocultos ( $N=7$ ) do HMM.
- Valores (Observações): Os valores das transações são normalizados pelo valor absoluto máximo de transação do cliente e discretizados em $2M+1$ intervalos (positivos para depósitos, negativos para saques, zero para nulo). Estes formam os símbolos de observação.

2.2 Inicialização e Treinamento do HMM

Ao contrário da inicialização aleatória, o SASI utiliza uma estratégia de inicialização baseada em dados:

A matriz de transição ( $A$ ), a matriz de emissão ( $B$ ) e a distribuição de estado inicial ( $\pi$ ) são computadas diretamente das frequências empíricas observadas na cadeia de Markov discretizada.
Uma constante de suavização ( $\epsilon$ ) é aplicada para evitar probabilidades zero.
O algoritmo Baum–Welch (Expectation-Maximization) é então usado para treinar o HMM ( $\lambda$ ) para aprender probabilisticamente os padrões sequenciais do comportamento do cliente.

2.3 Extração de Meta-Dados e Pontuação

As características comportamentais de longo prazo são resumidas usando duas distribuições estacionárias derivadas do HMM treinado:

Distribuição de Estado Estacionário ( $\phi$ ): Representa a proporção de tempo gasto em cada estado de intensidade de atividade.
Distribuição de Símbolos Estacionária ( $\bar{\phi}$ ): Representa a proporção de tempo gasto observando valores de transação normalizados específicos.

Estas distribuições são transformadas em dois escores interpretáveis:

Score $x$ (Valores Sequenciais): Uma soma ponderada de $\bar{\phi}$ , distinguindo entre depósitos e saques com separação quadrática para enfatizar diferenças de magnitude. O resultado é escalonado pelo valor máximo de transação e mapeado para uma escala logarítmica para invariância de escala.
Score $y$ (Intensidade Sequencial): Uma soma ponderada de $\phi$ , enfatizando a frequência dos estados de atividade. O resultado é escalonado pelo número total de transações e normalizado para o intervalo $[0, 100]$ .

O output final é um embedding 2D $(x, y)$ para cada cliente, que pode ser diretamente visualizado e agrupado (ex: usando K-means) sem necessidade de redução de dimensionalidade adicional.

3. Principais Contribuições

O artigo delineia quatro contribuições primárias:

Representação Baseada em HMM Interpretável: Um novo método que captura conjuntamente valores sequenciais de transação e intensidade usando apenas históricos de transações, evitando estatísticas agregadas criadas manualmente.
Embedding Comportamental Bidimensional: Uma representação 2D direta que preserva a interpretabilidade semântica (onde os eixos correspondem a valor e intensidade) e permite visualização imediata.
Compatibilidade de Pipeline: A representação é totalmente compatível com algoritmos de agrupamento convencionais, permitindo integração contínua em pipelines de segmentação existentes.
Validação Empírica: Demonstração da eficácia e eficiência computacional do framework em dois conjuntos de dados abertos (sintético nigeriano e real Berka).

4. Resultados Experimentais

O framework foi avaliado em:

Dataset Nigeriano: 1.503 clientes (sintético, 2 anos de dados).
Dataset Berka: 2.039 clientes (banco real da República Checa, 6 anos de dados).

4.1 Desempenho de Agrupamento (Clustering)

Usando K-means com $K=5$ clusters, o SASI foi comparado contra RFM Estático, RFM Dinâmico (com várias agregações e codificadores LSTM) e representações baseadas em VAE.

Dataset Nigeriano: O SASI alcançou o melhor DBI (0.418718) e o melhor CHI (6578.11), e o segundo melhor Coeficiente de Silhueta (0.650635).
Dataset Berka: O SASI alcançou o melhor SC (0.507139), melhor DBI (0.500209) e o segundo melhor CHI (3309.01).

Nota: Embora alguns modelos de deep learning (ex: LSTM2, VAE2) tenham mostrado scores de SC ou CHI mais altos, os autores observam que estes resultados foram enganosos devido à geração de embeddings duplicados (degenerescência) ou clusters altamente desequilibrados, tornando-os menos confiáveis para segmentação prática.

4.2 Interpretabilidade e Visualização

Os embeddings 2D resultantes revelaram uma estrutura hierárquica clara:

O eixo x separou clientes em "consumidores" (valores negativos) e "contribuidores" (valores positivos).
O eixo y subdividiu estes grupos com base na intensidade de atividade (ex: muito intensos, regulares, dormentes).
Isso permitiu a criação de perfis semanticamente significativos (ex: "consumidor muito intenso") diretamente a partir do gráfico.

4.3 Eficiência Computacional

Execução Sequencial: Processar 1.503 clientes nigerianos levou ~1.075 segundos; 2.039 clientes Berka levaram ~597 segundos (aproximadamente <1 segundo por cliente).
Execução Paralela: O uso de uma implementação paralela baseada em MPI em 8 processadores reduziu o tempo de execução por um fator de ~3.1, demonstrando escalabilidade para grandes conjuntos de dados.

5. Significância e Alegações

O artigo posiciona o SASI como um framework operacional eficaz que preenche a lacuna entre a simplicidade do RFM e a expressividade do deep learning. Sua significância reside em:

Equilíbrio entre Desempenho e Interpretabilidade: Ao contrário dos modelos de deep learning que produzem espaços latentes de "caixa preta", o SASI fornece um espaço 2D totalmente interpretável onde os eixos possuem significado semântico direto (valor e intensidade).
Captura de Dinâmicas Sequenciais: Ao modelar a ordem e o tempo das transações via HMMs, o SASI distingue clientes que o RFM estático trataria como idênticos.
Viabilidade Operacional: O framework é computacionalmente eficiente, escalável via paralelização e não requer ajuste complexo de hiperparâmetros ou etapas de redução de dimensionalidade, tornando-o adequado para integração em sistemas de apoio à decisão bancária.

Os autores reconhecem limitações, como a sensibilidade a valores de transação extremos durante a normalização e a dependência atual do K-means (que assume clusters esféricos), mas afirmam que o framework fornece uma solução robusta, transparente e eficiente para a segmentação de clientes no setor bancário.