Como bancos e corretoras de investimento estão usando inteligência artificial para gerir o patrimônio de seus clientes
Uma das áreas do mercado financeiro que tem demonstrado grande potencial de crescimento com aplicação de Ciência de Dados e Inteligência Artificial é a Gestão de Patrimônio. Instituições financeiras de modo geral e, mais especificamente, bancos de investimento estão cada vez mais utilizando o potencial dos dados para melhorar a gestão financeira dos seus clientes.
Hoje, mais de 80% das organizações deste setor estão em uma fase inicial do uso de ciência de dados, realizando apenas provas de conceito. Porém, nos próximos três anos, essa implantação deve acelerar, com a IA escalando de forma significativa, o que irá desbloquear o poder dos dados para esse segmento e acirrar a competição no mercado. De acordo com a Gartner, até o final de 2024, 3/4 das empresas terão passado da fase piloto para a operacionalização da IA.
Hoje, a gestão de patrimônio e a IA se unem em cinco pontos principais: envolvimento do cliente, produto e preços, experiência do cliente, produtividade e eficiência operacional. Uma pesquisa realizada pelo MIT estudou empresas que usam estratégias de gestão de patrimônio com IA para entender quais funcionam melhor. São três as alternativas, com abordagens diferentes.
Aconselhamento exclusivamente digital na Wealthfront
Quase todas as organizações que oferecem aconselhamento robótico gerado por IA combinam – às vezes por um preço extra – com consultas de conselheiros humanos. A Wealthfront é a exceção: ela oferece continuamente apenas interações digitais desde sua fundação no final de 2011. Seu site deixa isso claro, declarando em sua página de suporte: “A Wealthfront oferece todos os seus serviços, incluindo planejamento financeiro, gestão de investimentos e banco pessoal, exclusivamente por meio de softwares.”
Claro que a vantagem aqui é um preço mais baixo para o consumidor, fruto de custos igualmente mais baixos: a taxa do Wealthfront é de 0,25% – quase a mesma que outros consultores exclusivamente digitais, mas certamente menos do que a média de pouco mais de 1% para aconselhamento apenas humano. E é gratuita para contas de investimento abaixo de US$ 5 mil. O foco exclusivamente digital da empresa é consistente com o uso bastante extenso de IA.
De acordo com análise do MIT, o Wealthfront usa IA de algumas maneiras que outros robôs não usam. As respostas do cliente a um questionário de avaliação de risco são traduzidas em um portfólio de investimento personalizado por meio de IA. Seus algoritmos rastreiam os gastos dos clientes e os comportamentos de economia e fornecem recomendações personalizadas para ajudá-los a atingir seus objetivos financeiros.
Agora, o grande problema é que o crescimento da Wealthfront em ativos sob gestão tem sido relativamente lento – agora em cerca de US$ 16 bilhões. A avaliação é que a falta do componente de conselheiro humano é uma razão para isso. O consumidor ainda não se sente confiante de deixar tudo na mão de um robô – por mais que ele tenha mais chances de ser objetivo do que um humano em termos de alocação de portfolio.
Serviços de Consultor Pessoal na Vanguard
A Vanguard foi pioneira na abordagem de investimento “fique rico devagar” com base em custos baixos e fundos de índice, e sua plataforma de aconselhamento robótico, chamada Personal Advisor Services (PAS), é bastante consistente com nessa pegada. Ela cobra uma taxa relativamente baixa (0,30% ou menos à medida que os ativos aumentam), investe o dinheiro dos clientes em fundos mútuos e na bolsa e geralmente tem uma filosofia de investimento conservadora.
As carteiras são construídas com base em avaliações de risco, mas a álgebra simples é usada para traduzir os questionários em porcentagens de investimento (ações / renda fixa / doméstico versus internacional). O principal objetivo de investimento é financiar aposentadorias, e as simulações de Monte Carlo (testes automatizados em milhares de resultados financeiros potenciais diferentes ao longo do tempo) são usadas para avaliar a probabilidade de cada cliente sobreviver a sua renda. As recomendações são feitas para decisões como rebalanceamento de portfólio e colheita de prejuízos fiscais, mas nada é executado sem a revisão do consultor e do cliente. Resumindo, o PAS realiza o trabalho de consultoria de investimento, mas com um mínimo de informações ou estímulos injustificados da IA.
O aconselhamento humano é um componente integral do programa. Esse conselho é geralmente orientado para fazer com que os clientes realizem as tarefas necessárias (como identificar beneficiários) e persuadi-los a não fazer coisas estúpidas (como vender ações logo após uma queda do mercado). A combinação de recursos – e a base de clientes muito grande do Vanguard, sem dúvida – tornou a PAS o gigante entre os consultores de robótica, com mais de US$ 221 bilhões investidos. Há também uma opção relativamente nova sem aconselhamento humano, chamada Digital Advisor, que cobra apenas 0,15%. Para o investidor que deseja alto valor a baixo custo, as ofertas da Vanguard são difíceis de bater.
Próxima Melhor Ação (e Maior Envolvimento) no Morgan Stanley
Talvez o maior nível de integração de IA com estratégia seja encontrado na unidade de Wealth Management do Morgan Stanley – e é acompanhado pelo maior nível de foco de conselheiro humano também. O Morgan Stanley tem uma grande área de gestão de fortunas – está classificado em terceiro lugar no mundo, depois do UBS e do Credit Suisse em ativos sob gestão – mas tanto sua IA quanto sua estratégia digital estão muito à frente de seus concorrentes tradicionais.
Por mais de 10 anos, o Morgan Stanley tem trabalhado em seu sistema Next Best Action para fornecer a seus consultores financeiros ideias para apresentar aos clientes. Esse sistema usa aprendizado de máquina para identificar investimentos de interesse e relevância para um determinado cliente. A equipe de gestão da unidade de Gestão de Patrimônio concluiu que a principal forma de um consultor financeiro alcançar o sucesso é com o envolvimento frequente com o cliente – portanto, o sistema da Próxima Melhor Ação facilita esse processo.
Como Jeff McMillan, diretor de análise da empresa, disse em uma entrevista: “Temos um algoritmo de aprendizado de máquina muito sofisticado para identificar tópicos de interesse dos clientes. Mas, no final das contas, a consultoria financeira é um jogo baseado em humanos. Se tudo o que o sistema faz é lembrá-los de que o consultor está lá e cuidando deles, isso geralmente é o suficiente”.
O uso do sistema é voluntário e nem todos os consultores da empresa o utilizam, mas McMillan diz que os consultores que o usam são mais eficientes – porque ter ideias de investimento relevantes é muito mais rápido com o sistema – e seus clientes estão mais engajados. Esta combinação de capacidades torna esta uma estratégia vencedora para Morgan Stanley e outros gestores de patrimônio de ponta.
Desafios da Ciência de Dados na gestão de patrimônio
Muitos gestores de patrimônio podem considerar o uso de dados como algo simples e direto de ser feito, afinal, é uma área muito baseada em informações, análises e indicadores. Mas apenas contratar alguns cientistas de dados e instalar um software de análise de dados pode não ser suficiente para colher todos os benefícios. Na verdade, é comum que os gerentes de patrimônio não consigam tirar proveito do valor total de seus dados, pois a aplicação de algoritmos e métodos analíticos sofisticados leva mais tempo do que o planejado.
Expectativas em um projeto de ciência de dados:
A realidade em um projeto de ciência de dados:
A Avaloq, multinacional líder em software de core banking, banco digital e gestão de patrimônio digital produziu um White Paper onde diz que, embora as tecnologias de IA ainda estejam evoluindo, elas já trouxeram resultados impactantes para o setor de serviços financeiros e resolveram alguns problemas do mundo real.
A IA se tornou um fator de transformação para toda a indústria e os benefícios dessa tecnologia continuarão a crescer exponencialmente. Ainda mais porque a IA não é uma tecnologia única, mas sim um campo que abrange várias disciplinas, como aprendizado de máquina, visão computacional e processamento de linguagem natural.
Tudo isso é suportado por grandes melhorias da indústria de computação em nuvem. Nos últimos anos, a maior parte do orçamento do gestor de patrimônio ou do banco foi atribuída a projetos regulatórios em conformidade e risco de crédito.
Compreender como diferentes entidades estão conectadas por meio de uma rede de relacionamentos complexos tem sido percebido há muito tempo como uma das próximas grandes coisas na ciência de dados. O ponto de partida antes de implementar uma ‘abordagem de redes’ é coletar todos os dados necessários em um só lugar. Isso geralmente significa conectar dados de diferentes fontes isoladas, que podem até incluir provedores de dados de terceiros. A ponte de sistemas em silos elimina os tipos de ineficiências de dados que foram destacadas como uma das principais causas da última crise financeira, em 2007/2008:
Para destacar a importância das redes e o valor que elas trazem, consideremos os desafios que os bancos enfrentam ao medir e agregar as exposições ao risco. Essas exposições podem ser agrupadas em quatro categorias:
a) Exposição direta
b) Exposições de estoque
c) Exposições indiretas
d) Exposições conectadas
Um banco normalmente é muito bom em agregar exposições diretas, pois essa tarefa faz parte do negócio de gerenciamento de risco diário. Cálculo e agregação de exposições de estoque e exposições indiretas são desafios mais difíceis porque a maioria dos sistemas normalmente não são configurados para lidar com os exercícios necessários de resolução de grandes entidades. Os algoritmos de correspondência tradicionais baseados em regras estáticas são propensos a inflexibilidade, preconceito e podem não ser totalmente orientados por dados. No entanto, hoje essas tarefas podem ser tratadas com mais eficiência por novas tecnologias de big data e algoritmos de aprendizado de máquina. O desafio mais difícil é calcular as exposições de entidades interconectadas.
Essas exposições exigem uma visão holística, que não é possível obter sem vincular dados internos a dados externos públicos na forma de uma rede – uma tarefa que, na maioria dos casos, pode ser resolvida em conjunto com um parceiro (um provedor de dados estabelecido ou um fintech). No entanto, deixar de levar em conta as exposições conectadas pode resultar em estimativas de risco erradas – com consequências bem ruins.
Assim que os dados corretos estiverem disponíveis, construir redes que utilizem relacionamentos entre conjuntos de dados é uma abordagem poderosa que vai além do exemplo acima de agregação de risco. As redes podem complementar e aprimorar os métodos tradicionais de ciência de dados e, à medida que trazem relacionamentos ocultos para o primeiro plano, podem ser usadas para aprimorar a compreensão das ligações de dados. Isso simplifica a auditoria e a perícia, ao mesmo tempo em que permite uma narrativa mais concisa.
Além disso, o uso de bancos de dados gráficos para armazenar relacionamentos apresenta ganhos de desempenho significativos devido às suas consultas eficientes que utilizam recursos de passagem de gráfico.
