Resumo Executivo

Danielle Hossota Silva; Miguel Ângelo Lellis Moreira

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Este estudo compara o comportamento de consumidores em bancos digitais e tradicionais no Brasil, analisando dados de reclamações e satisfação para identificar padrões. A digitalização do setor financeiro alterou as jornadas de atendimento e as expectativas dos clientes, tornando a análise comparativa essencial para entender a dinâmica competitiva. A pesquisa utiliza dados públicos para uma mensuração objetiva do desempenho, superando análises baseadas em percepção.

A transformação digital bancária envolve mudanças em tecnologia, cultura e estratégia (Vial, 2021), com foco na experiência do usuário (UX) como principal diferencial competitivo. Instituições são pressionadas a inovar com serviços ágeis e personalizados (Alt et al., 2018), e a adaptação a este paradigma afeta a performance e retenção de clientes (Reis et al., 2020). Plataformas públicas como o Consumidor. gov. br aumentaram a visibilidade do desempenho, tornando a gestão de reclamações crítica para a reputação.

Bancos digitais e fintechs desafiam os tradicionais com estruturas enxutas e tecnologia intensiva (Haddad & Hornuf, 2019). Estudos mostram que a orientação ao cliente e processos fluidos geram melhores avaliações e menores índices de reclamações (Gomber et al., 2018). Em contraste, as estruturas complexas dos bancos tradicionais, embora com portfólios mais amplos, podem criar inconsistências na experiência do cliente.

Nesse cenário, a experiência do cliente (CX) é o principal diferenciador; a qualidade do atendimento e a resolução de problemas impactam a lealdade (Kotler & Keller, 2016). A análise de reclamações e notas de satisfação mede o alinhamento entre a promessa de valor e a experiência real. O uso de dados públicos do Banco Central do Brasil (BACEN) e do Consumidor. gov. br permite uma avaliação objetiva e padronizada do desempenho das instituições.

Este trabalho justifica-se pela necessidade de entender como diferentes modelos de negócio bancário impactam a satisfação e as reclamações. Ao analisar dados de fontes oficiais ao longo de vários trimestres, a pesquisa identifica padrões que podem subsidiar a tomada de decisão no setor e contribuir para o conhecimento acadêmico sobre transformação digital.

O estudo adota uma abordagem quantitativa com dados secundários oficiais, em quatro etapas: coleta, tratamento, análise exploratória e aplicação de modelos estatísticos e de machine learning. As fontes foram o ranking de reclamações do BACEN e os dados abertos do Consumidor. gov. br. A base do BACEN forneceu, por trimestre, o número de clientes (CCS e SCR), o volume de reclamações procedentes e o índice de reclamações por milhão (RPM). A base do Consumidor. gov. br continha detalhes das reclamações e a nota média de satisfação do consumidor.

O tratamento dos dados, feito em Python (Pandas, NumPy), envolveu a padronização de nomes das instituições, limpeza e normalização. O trimestre 2024-2T foi excluído por inconsistências, visando a robustez estatística. As bases foram integradas em um único dataset, alinhando observações por instituição e trimestre. A integração de fontes heterogêneas é consistente com abordagens de ciência de dados no setor financeiro (Zhang et al., 2020).

Para identificar padrões, aplicou-se o algoritmo de agrupamento K-means, um método não supervisionado para segmentar as instituições em clusters de desempenho com base no número de clientes, índice de reclamações e nota de satisfação. A técnica particiona dados com base na similaridade, minimizando a distância euclidiana entre os pontos e os centróides (MacQueen, 1967; Jain, 2010). Isso permitiu identificar perfis distintos, como “fintechs ágeis” e “grandes tradicionais”, uma prática consolidada em estudos financeiros (Gai et al., 2018).

Complementarmente, usou-se o algoritmo Random Forest, um modelo supervisionado de árvores de decisão (Breiman, 2001), para identificar a importância relativa (feature importance) das variáveis na diferenciação dos clusters. O modelo, treinado para classificar as instituições nos grupos do K-means, quantificou a contribuição de cada métrica para a formação dos clusters. Adicionalmente, foram realizadas análises estatísticas, como a matriz de correlação de Pearson e testes de hipóteses para verificar diferenças significativas entre os grupos.

A análise dos resultados revelou que consumidores de bancos digitais e fintechs usam o portal Consumidor. gov. br com frequência muito maior que os canais do BACEN. O C6 Bank, por exemplo, chegou a ter um volume de reclamações por milhão no Consumidor. gov quase dez vezes superior ao do BACEN. Este padrão sugere que o público mais jovem e digital percebe plataformas online como mais eficazes. Em contrapartida, os bancos tradicionais mostraram maior coerência entre os canais, indicando uma possível maior retenção de manifestações em canais internos ou um perfil de cliente mais habituado a meios formais, reforçando a importância da gestão de experiência multicanal (Zavolokina et al., 2020).

A matriz de correlação identificou uma correlação negativa moderada (-0,57) entre número de clientes e índice de reclamações por milhão (RPM), sugerindo um efeito de escala. Houve forte correlação positiva (0,59) entre o RPM no BACEN e no Consumidor. gov. br, indicando que problemas operacionais reverberam em múltiplos canais. A relação mais crítica foi a correlação negativa robusta (entre -0,53 e -0,54) entre os índices de reclamações e a nota de satisfação, quantificando que mais problemas se associam a uma pior percepção de qualidade, validando um princípio do comportamento do consumidor (Kotler & Keller, 2016) com dados de mercado.

O K-means segmentou o mercado em três grupos. O Cluster 0 foi composto por fintechs de menor porte (Neon, Banco Original), com base de clientes reduzida, baixo RPM e notas de satisfação altas. O Cluster 1 agrupou os grandes bancos tradicionais (Bradesco, Santander), que, apesar das vastas bases de clientes, concentraram os maiores volumes de reclamações e as notas de satisfação mais baixas, evidenciando os desafios de gerenciar a experiência em larga escala. O Cluster 2 representou um grupo intermediário (Inter, BTG Pactual), com características mistas. O resultado corrobora que a escala, por si só, não garante satisfação (Haddad & Hornuf, 2019).

A evolução temporal dos indicadores mostrou que bancos tradicionais como Santander e Bradesco tiveram volatilidade significativa em seus índices de RPM. Em contraste, o Nubank manteve um desempenho estável com baixos patamares de reclamações, sempre abaixo de 1 RPM. Fintechs menores como Neon e PicPay exibiram volatilidade ainda maior, confirmando a sensibilidade de seus indicadores a oscilações, um desafio para empresas em escalabilidade (Fuster et al., 2022). A dinâmica reforça que a consistência da experiência é tão importante quanto picos de bom desempenho.

Na evolução das notas de satisfação, os bancos tradicionais, apesar das reclamações, mantiveram notas médias ligeiramente superiores às dos bancos digitais (excluindo Nubank). Banco do Brasil e Bradesco oscilaram entre 2,5 e 2,9. O conjunto de bancos digitais apresentou maior homogeneidade, mas em patamar inferior, em torno de 2,1 a 2,3. Este resultado contraintuitivo pode sugerir que clientes de bancos tradicionais que não reclamam formalmente têm uma percepção de serviço mais positiva, ou que as expectativas sobre os players digitais são mais altas e, portanto, mais difíceis de atender.

O caso do Nubank emergiu como um outlier positivo, diferenciando-se de seus pares digitais e dos incumbentes. Analisado isoladamente, o Nubank apresentou uma mediana de RPM significativamente inferior à dos outros bancos digitais e próxima aos melhores desempenhos dos tradicionais. Suas notas de satisfação se posicionaram consistentemente acima da média do grupo digital, aproximando-se dos líderes tradicionais. Esse desempenho dual — baixo volume de problemas e alta satisfação — consolida o Nubank como um benchmark, demonstrando ser possível conciliar crescimento exponencial, inovação e experiência do cliente de alta qualidade, alinhado à literatura que destaca a orientação ao cliente como fator-chave para o sucesso de fintechs (Nicoletti, 2021).

Em síntese, os resultados indicam um cenário complexo, sem superioridade absoluta de um modelo sobre o outro. Bancos digitais se destacam pela agilidade, mas enfrentam um público mais exigente e vocal, resultando em maiores volumes proporcionais de reclamações e notas de satisfação mais baixas. Bancos tradicionais lidam com a complexidade da escala, o que gera picos de insatisfação, mas parecem manter uma base de clientes com percepção média de qualidade mais elevada. O sucesso de players como o Nubank indica que a liderança no setor passa pela capacidade de integrar eficiência operacional, simplicidade na jornada do cliente e uma governança de atendimento robusta.

Este estudo demonstrou que a análise integrada de dados públicos de reclamações e satisfação oferece uma lente poderosa para compreender as dinâmicas competitivas no setor bancário. Os achados revelaram perfis de desempenho distintos entre bancos tradicionais e digitais, com implicações gerenciais claras. A discrepância entre canais de reclamação aponta para a necessidade de uma gestão multicanal coesa. A correlação negativa entre reclamações e satisfação reforça a importância de investir na prevenção de problemas. A heterogeneidade de desempenho exige uma governança de experiência do cliente mais robusta. Academicamente, o trabalho contribui com uma metodologia replicável para integrar e analisar bases de dados públicas, aplicando ciência de dados para gerar insights sobre a experiência do cliente.

As limitações do estudo, como o foco em um conjunto específico de instituições e a natureza exploratória dos modelos, abrem caminhos para pesquisas futuras, como a aplicação de modelos econométricos, o uso de processamento de linguagem natural (NLP) para analisar o conteúdo das reclamações e a segmentação por produto. Os resultados confirmam que a transformação digital redefiniu a competição no setor; agilidade, simplicidade e satisfação do cliente são os principais vetores de valor. Conclui-se que o objetivo foi atingido: demonstrou-se que o comportamento dos consumidores difere significativamente entre bancos digitais e tradicionais, com padrões distintos de reclamações e satisfação que permitem segmentar o mercado e identificar estratégias de sucesso.

Referências:
Alt, R.; Beck, R.; Smits, M. T. (2018). Fintech and the transformation of the financial industry. Electronic Markets, 28(3), 235-243.
Banco Central do Brasil. (2024). Dados sobre Reclamações Bancárias. Disponível em: https://www. bcb. gov. br
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32.
Conversion. (2023). Relatório de Fintechs no Brasil. Disponível em: https://lp. conversion. com. br/hubfs/Conversion-Relatorio-de-Fintechs-Brasil. pdf? utm_source=chatgpt. com
Eling, M.; Lehmann, M. (2018). The impact of digitalization on the insurance value chain and the insurability of risks. The Geneva Papers on Risk and Insurance, 43(3), 359–396.
FAST COMPANY. The World’s Most Innovative Companies 2024. Disponível em: https://www. fastcompany. com/most-innovative-companies/2024.
Ferreira, J.; Reis, J.; Miranda, J. (2021). Digital transformation strategies in banking: A systematic review. Journal of Business Research, 131, 974-985.
FintechLab. (2023). Neobancos e fintechs lideram ranking de transparência junto a instituições tradicionais. Disponível em: https://fintechlab. com. br/index. php/2024/04/09/ neobancos-e-fintechs-lideram-ranking-de-transparencia-junto-a-instituicoes-tradicionais/
FORBES. Nubank ultrapassa 100 milhões de clientes na América Latina. 2024. Disponível em: https://forbes. com. br/forbes-money/2024/05/nubank-ultrapassa-100-milhoes-de-clientes-na-america-latina/.
Fuster, A.; Plosser, M.; Schnabl, P.; Vickery, J. (2022). The role of technology in mortgage lending. Review of Financial Studies, 35(2), 697-738.
Gai, K.; Qiu, M.; Sun, X. (2018). A survey on FinTech. Journal of Network and Computer Applications, 103, 262-273.
Gomber, P.; Koch, J. A.; Siering, M. (2018). Digital finance and FinTech: Current research and future research directions. Journal of Business Economics, 87(5), 537-580.
Haddad, C.; Hornuf, L. (2019). The emergence of the global Fintech market: Economic and technological determinants. Small Business Economics, 53(1), 81–105.
Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651-666.
Kotler, P.; Keller, K. L. (2016). Administração de Marketing. 15ª edição. Pearson.
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1, 281-297.
McKinsey & Company. (2022). Global Banking Annual Review. Disponível em: https://www. mckinsey. com
Ministério da Justiça e Segurança Pública. (2024). Consumidor. gov: Conjuntos de Dados. Disponível em: https://www. consumidor. gov. br
Nicoletti, B. (2021). Banking 5.0: How Fintech Will Change Traditional Banks in the ‘New Normal’. Palgrave Macmillan.
Oliveira, T.; Klein, R. (2021). ICT-enabled financial services: Adoption and impact on individuals. Information & Management, 58(3), 103–132.
OPINION BOX. Customer Experience Trends 2024. Disponível em: https://opinionbox. com/blog/pesquisa-experiencia-do-cliente/.
REIS, J. G. M.; AMARAL, C. S. T.; MELÃO, N. F. Digital transformation: a literature review and guidelines for future research. Journal of Business Research, v. 113, p. 889-901, 2020.
Sandbox Regulatório. (2023). Transformação digital e inovação no setor financeiro. Disponível em: https://www. bcb. gov. br/estabilidadefinanceira/sandbox
Vial, G. (2021). Understanding digital transformation: A review and a research agenda. The Journal of Strategic Information Systems, 28(2), 118–144.
Zavolokina, L.; Dolata, M.; Schwabe, G. (2020). FinTech transformation: How IT enables customer-centricity. Electronic Markets, 30(2), 187–195.
Zhang, C.; Ma, Y.; Chen, J. (2020). Random forest applications in finance. Expert Systems with Applications, 138, 112–143.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}