Aliando processos de engenharia de dados, técnicas de machine learning e apresentação de dados através de dashboards, a Jump Label possibilitou que o cliente identificasse processos em que existe maior propensão de incorrerem em gastos judiciais, incluindo uma previsão de qual seriam os valores em questão.
Problema
O cliente, uma grande empresa no ramo financeiro, estava fazendo um planejamento impreciso de provisionamento para custos judiciais. O valor provisionado estava ficando muito abaixo ou muito acima, dependendo do ano analisado, do valor realmente utilizado para esse fim.
Desafio
- Permitir ao usuário identificar quais fatores levam um processo a gerar despesas judiciais;
- Levar mais informações ao usuário sobre os fatores que influenciam o valor gasto para esses custos;
- Dar visibilidade sobre o valor necessário para provisionamento para maior assertividade no planejamento anual.
Soluções
- Geração de um SCORE para indicar processos que apresentam maior chance de gerar um custo judicial;
- Análise de resultados através do histórico de dados;
- Criação de Dashboards para acompanhamento do valor provisionado e o valor real necessário para tal finalidade.
Benefícios
Através de Dashboards e análises utilizando técnicas de Machine Learning a Jump Label ofereceu a seu cliente a possibilidade de provisionar verba de forma mais efetiva e precisa – nem muito acima ou abaixo – possibilitando que essa renda fosse melhor utilizada para outros fins do negócio.
É possível que a instituição estude os fatores que influenciam os processos a gerarem esse tipo de custo e realizarem ações para tentar reduzir esses casos.