Tour de Algoritmos

Todos os meses, mais de mil títulos chegam à plataforma: um por franqueado, com valor, vencimento e referência. Eles vêm de sistemas e planilhas diferentes, escritos de formas diferentes — e a mesma obrigação pode aparecer duas vezes.

Primeiro, a correspondência determinística: quando dois registros trazem o mesmo identificador, são o mesmo título, sem nenhuma incerteza. É a regra mais simples e resolve boa parte da carteira.

Para o que sobra, comparamos atributo a atributo — loja, valor, vencimento, documento — e somamos as similaridades com pesos. A nota de 0 a 1 classifica o par: duplicado, revisão ou distinto.

No fim, cada título recebe uma nota de qualidade: campos completos, valores plausíveis, vencimento coerente. Dado ruim não entra na régua de cobrança; vira pendência para uma pessoa.

A régua de cobrança da rede não trata igual quem paga em dia e quem atrasa. Para isso, a carteira é separada em segmentos operacionais — e cada segmento recebe uma sequência diferente de contatos, nos limites definidos pela rede.

Um classificador, por exemplo de gradient boosting, soma muitas árvores de decisão pequenas: cada uma corrige o erro da anterior. As entradas são características do título e do franqueado — histórico de pontualidade, valor, dias de atraso.

Em vez de perguntar apenas “vai pagar?”, perguntamos “quando?”. A análise de sobrevivência trata o tempo até o pagamento: a probabilidade de pagar dentro de t dias vem da curva de sobrevivência.

Probabilidade só ajuda se for calibrada. Os segmentos saem de cortes sobre a probabilidade calibrada e passam pela política da rede antes de virar ação.

Tudo aqui é demonstrativo: as curvas ilustram o método, não preveem pagamentos reais.

Para cada título há várias ações possíveis: esperar, lembrar por WhatsApp, mandar um e-mail, propor renegociação, chamar uma pessoa. A pergunta não é qual a melhor ação em geral, e sim qual a melhor ação permitida agora, para este título.

Cada ação tem um valor esperado: a chance de pagamento que ela produz vezes o valor do título, menos o custo da ação — inclusive o desconto, quando houver.

Mas nem tudo é permitido. A Zamp define a política: quanto de desconto, quantos contatos por semana, quando escalar. Ações que violam alguma regra saem do conjunto antes da escolha — é uma otimização restrita.

Quando há muitas ações parecidas, um ranqueamento aprendido (learning to rank) ordena as candidatas. Bandits contextuais, como evolução experimental, poderiam testar variações com segurança — sempre dentro da política.

Cada título vive em um estado: emitido, a vencer, vencido, notificado, em negociação, pago. Uma máquina de estados finitos diz quais transições são possíveis — um título pago nunca volta a vencido — e cada mudança de estado emite um evento.

Se atribuímos uma probabilidade a cada transição semanal, a máquina vira uma cadeia de Markov: o próximo estado depende só do estado atual. É um modelo analítico, não uma descrição exata do que acontece.

Reunidas, as probabilidades formam uma matriz. Multiplicar a distribuição da carteira pela matriz, semana após semana, simula como o conjunto de títulos se espalha pelos estados.

Com isso dá para perguntar “e se?”: e se a notificação vier um dia antes? e se a negociação converter mais? A régua deixa de ser uma lista de lembretes e vira algo que se pode estudar.

As probabilidades são editáveis no laboratório e não representam dados da rede.

A cobrança chega por WhatsApp e por e-mail, e a central funciona 24 horas por dia: em 100% dos casos a primeira resposta sai em até um minuto. Cada mensagem do franqueado — dúvida, comprovante, pedido de prazo — entra no mesmo fluxo, por qualquer canal.

Um classificador estima a intenção: pedir segunda via, avisar que pagou, negociar, contestar, falar com uma pessoa. A saída não é uma resposta: é uma distribuição de probabilidade — e é ela que permite saber quando duvidar.

Para agir, a assistente usa ferramentas — consultar o título, gerar a segunda via, registrar um acordo — e recupera, nas políticas da rede, o que pode responder. É o que se chama de geração aumentada por recuperação (RAG): a resposta cita a política em vez de inventar.

Por fim, um guarda decide o destino: responder sozinha, ou escalar. Pedido de desconto além do limite nunca é concedido pela IA; vai para quem tem alçada. A IA executa dentro da política; ela não a reescreve.

Cada contato adicional recupera menos que o anterior: quem ia responder já respondeu, e insistir cansa. Em termos matemáticos, o ganho marginal é decrescente — e é isso que cria um ponto ótimo de esforço.

O valor esperado líquido soma o retorno e subtrai o custo de agir. Ele sobe enquanto cada contato rende mais do que custa, e cai depois. O máximo da curva é a intensidade que compensa.

O ótimo depende do custo: contato barato justifica insistir mais; contato caro, menos. Variando o custo por contato, desenha-se uma superfície de decisão — e a melhor intensidade percorre essa superfície.

Na prática, há restrições: a política da rede limita o número de contatos por título. A otimização passa a ser restrita: escolher a melhor intensidade dentro do que é permitido.

Todos os valores deste capítulo são simulados.

O ciclo só fecha quando o dinheiro que entra é associado ao título certo. Pagamentos chegam por Pix, boleto ou transferência, nem sempre com a referência completa, e às vezes pagam parte de um título ou mais de um.

A primeira regra é a mais simples: se o pagamento traz a referência do título e o valor confere dentro da tolerância, a associação é direta. Não há probabilidade envolvida.

Quando não confere, entram regras em cascata — valor, loja, janela de datas — e divergências são classificadas: valor a menor, pagamento duplicado, pagamento sem referência. A plataforma classifica, não força uma associação.

A detecção de anomalias separa o que é estranho do que é apenas diferente. Um pagamento muito fora da distribuição vai para uma pessoa, com as evidências na tela; a decisão final é humana.

Nem toda decisão deve ser automática. Um limiar de confiança separa o que a IA resolve sozinha do que vai para uma pessoa. O time financeiro saiu da execução e passou a tratar exceções: é o humano que governa, a IA que executa.

Para saber se o limiar é bom, é preciso avaliar: das decisões automáticas, quantas estavam certas; das enviadas à revisão, quantos erros foram capturados. Elevar o limiar reduz o erro automático e aumenta a carga humana — um trade-off que se mede.

Aprendizado ativo: quando há mais casos do que gente, os mais incertos — os mais próximos da fronteira de decisão — vão primeiro para revisão, porque são os que mais ensinam ao modelo.

E o mundo muda. Detecção de drift compara a distribuição da confiança de hoje com a de referência: quando ela se afasta demais, o índice de estabilidade (PSI) dispara um alerta e o limiar precisa ser reavaliado.

A plataforma tem um agente de IA que responde dúvidas sobre a operação com a posição consolidada da rede, sem planilha nem BI. Para que as respostas sejam confiáveis, cada métrica — valor vencido, taxa de recebimento, atraso médio, exceções — é definida uma única vez, em uma camada semântica.

Perguntar em linguagem natural é só a ponta: o modelo traduz a pergunta em uma consulta estruturada — qual métrica, agrupada por quê, com qual filtro. Quem faz a conta é uma consulta determinística sobre os dados; a IA não inventa números.

Por isso toda resposta pode ser conferida: mostra a métrica, a fórmula e os valores que entram na soma. É a diferença entre um assistente que conversa e um que presta contas.

E a observabilidade fecha o ciclo: séries temporais do recebimento, faixas de variação esperada e alertas quando algo foge do padrão — antes que alguém precise perguntar.

Uma operação que aprende é um ciclo: dados viram atributos; atributos alimentam modelos; modelos apoiam decisões; as decisões são executadas; os resultados são medidos; a avaliação volta para os dados. Cada volta aproveita o que a anterior ensinou.

Antes de qualquer mudança, avaliação offline: treinar no passado e testar no futuro, em janelas deslizantes, para ver como a decisão teria se saído sem arriscar a operação.

Em produção, três monitores vigiam o sistema: calibração (as probabilidades ainda valem?), drift (os dados mudaram?) e feedback humano (as pessoas concordam?). Quando um dispara, o modelo ou o limiar é reavaliado.

Para saber se uma mudança realmente ajuda, experimentação controlada: dois braços, um com a mudança e outro sem. Com cerca de mil títulos por mês, o tamanho do efeito que se quer detectar determina quantos meses o teste leva.

É importante separar o que existe do que é proposta. Régua com IA, comunicação por WhatsApp e e-mail, agente gerencial e central 24/7 estão na plataforma. Modelos preditivos, otimização e MLOps são evolução proposta, a ser validada.