The relationship between data collection and fragments

A relação entre coleta de dados e fragmentos

La relación entre la recolección de datos y los fragmentos

17/3/2022

The difference between fragments and metadata is that metadata is the raw data, while fragments are the concepts and ideas obtained after that data has been collected.

A diferença entre fragmentos e metadados é que os metadados são os dados brutos, enquanto os fragmentos são os conceitos e idéias obtidos após a coleta desses dados.

Other Popular Articles

The democratisation of mobile phones has facilitated the appearance of a large number of applications in such a way that people today can personalise their cell phones to match their tastes and interests. In 2021, for example, there were 143.6 billion app downloads. The interesting thing about this growth is the amount of information that can be collected from the apps so that companies know their prospects better; these insights give rise to what is known today as fragments.

Fragments are insights obtained from metadata coming from mobile phones. The difference between fragments and metadata is that metadata is the raw data, while fragments are the concepts and ideas obtained after that data has been collected and analysed.  

Fragments allow for a more accurate understanding of customers and can traverse an entire organisation providing useful information to different sectors. Thus, it can help the risk team approve a credit or insurance, and the marketing team make better promotions, more tailored offers, and product recommendations. For example, an insurance company can see what kind of apps a person uses and determine whether or not they are interested in topics related to sports, health, safety, and make an offer in pursuit of satisfying these needs.

Some of the fragments that credolab uses are:

  • Installed applications: Allow for a better prediction of a person’s personality. For example, knowing if prospects are users of digital banking or traditional banking if they make investments and where, if they use competing products and what their source of income is (self-employed, in a dependency relationship, among others).
  • Device information such as brand, operating system, model: These allow to perform technographic segmentations, predict tech savviness, and improve micro-segmentations
  • Detection of calendar events: The habit of scheduling upcoming activities may be an indicator of how organised a person is, how well she plans 
  • Analysis of contact behaviour: Having more than just names and phone numbers on the contact list may indicate a higher degree of perfectionism.
  • Detection of velocity: Analysing the uniqueness of each device and the speed at which some customers repeat loan applications provides additional insights to help prevent fraud
  • Analysis of typing behaviour and UI interactions: Detecting the number of times the customer completes or changes a certain field, uses an autocomplete functionality, uses copy/paste/delete in filling out an application form can be used to improve the user experience and eliminate friction

Data collection based on artificial intelligence

Fragments are a product of the appearance of smartphones, the increased internet penetration, the rise of app adoption, and the development of new technologies based on artificial intelligence and machine learning. These technologies are helping overcome the lack of traditional information systems behind credit bureau scoring models. That is, previously information was collected from past actions: credit or debit information in the case of the financial system, or samples obtained at a certain point in time to predict segments through statistics in the case of market research. 

In contrast to traditional information models, modern algorithms allow us to overcome the past and move from a static data collection system to a dynamic one. Thus, we can now find fresh, real-time data and update it to create behavioural models and obtain fragments from the present. In this way, companies can instantly learn about users and identify changes in their behaviour to make decisions faster and more effectively, in the moment.

Technology has not only made possible to improve the user experience by expanding the variety of devices and software, it has also managed to overcome the limitations of old data collection systems, providing companies with better insights and fragments of information for a greater and more precise understanding of each customer.

A democratização dos telefones celulares facilitou o surgimento de um grande número de aplicativos de tal forma que as pessoas hoje podem personalizar seus celulares de acordo com seus gostos e interesses. Em 2021, por exemplo, houve 143,6 bilhões de downloads de aplicativos. O interessante desse crescimento é a quantidade de dados que podem ser coletados dos aplicativos para que as empresas conheçam melhor seus clientes potenciais; esses insights dão origem ao que hoje conhecemos como fragmentos.

 

Os fragmentos são insights obtidos a partir de metadados que provêm dos telefones celulares. A diferença entre fragmentos e metadados é que os metadados são os dados brutos, enquanto os fragmentos são os conceitos e idéias obtidos depois que os dados foram coletados e analisados. 

 

Os fragmentos permitem uma compreensão mais precisa dos clientes e podem atravessar toda uma organização fornecendo informações úteis para diferentes setores. Deste modo, os fragmentos podem ajudar por exemplo a equipe de análise de risco, a aprovar um crédito ou um seguro; a que a equipe de marketing possa oferecer melhores promoções, ofertas mais personalizadas e recomendações de produtos. Por exemplo, uma companhia de seguros pode ver que tipo de aplicativos uma pessoa usa e determinar se está ou não interessada em tópicos relacionados a esportes, saúde, segurança e fazer uma oferta em busca de satisfazer essas necessidades.

 

Alguns exemplos de fragmentos que a credolab utiliza:

 

  • Aplicativos instalados: Permitem uma melhor previsão da personalidade de uma pessoa. Por exemplo, saber se o cliente potencial é um usuário de banco digital ou banco tradicional, se realiza investimentos e onde, se utilizam produtos concorrentes e qual é a sua fonte de renda (trabalhadores independentes, em relação de dependência, entre outros).
  • Informações do dispositivo, como a marca, o sistema operativo, o modelo: permitem realizar segmentações tecnológicas, prever o conhecimento técnico e melhorar as micro segmentações
  • Eventos do calendário: O hábito de agendar as próximas atividades pode ser um indicador do nível de organização de uma pessoa.
  • Análise da informação dos contatos: Ter mais do que apenas nomes e números de telefone na lista de contatos pode indicar um grau mais alto de perfeccionismo
  • Detecção de velocidade: a análise da singularidade de cada dispositivo e a velocidade com que alguns clientes digitam seus pedidos de crédito fornecem informações adicionais para ajudar a evitar fraudes
  • Análise do comportamento de digitação e interações da interface do usuário: Detectar o número de vezes que o cliente preenche ou altera um determinado campo, usa uma funcionalidade de preenchimento automático, usa copiar/colar/excluir no preenchimento de um formulário de inscrição pode ser usado para melhorar a experiência do usuário e eliminar atrito.

 

Coleta de dados baseada em inteligência artificial

 

Os fragmentos são produto do surgimento dos smartphones, do aumento da penetração da internet, do aumento da adoção de aplicativos e do desenvolvimento de novas tecnologias baseadas em inteligência artificial e machine learninga. Essas tecnologias estão ajudando a superar a falta de sistemas de informação tradicionais por trás dos modelos de pontuação dos birôs de crédito. Ou seja, anteriormente eram coletadas informações de ações passadas: informações de crédito ou débito no caso do sistema financeiro, ou amostras obtidas em determinado momento para prever segmentos por meio de estatísticas no caso de pesquisas de mercado.

 

Ao contrário dos modelos de informação tradicionais, os algoritmos modernos permitem superar o passado e passar de um sistema de coleta de dados estático para um sistema dinâmico. Assim, agora podemos encontrar dados novos e em tempo real e atualizá-los para criar modelos comportamentais e obter fragmentos do presente. Dessa forma, as empresas podem aprender instantaneamente sobre os usuários, e identificar no momento mudanças em seu comportamento para tomar decisões de forma mais rápida e eficaz.

 

A tecnologia possibilitou melhorar a experiência do usuário ampliando a variedade de dispositivos e softwares, mas também conseguiu superar as limitações dos antigos sistemas de coleta de dados, proporcionando às empresas melhores insights e fragmentos de informações para um entendimento maior e mais preciso de cada cliente.

La democratización de los teléfonos móviles facilitó la aparición de una gran cantidad de “apps” que permiten personalizar los celulares para que coincida con los variados gustos e intereses de individuos. Solamente en el 2021 hubo 143.600 millones de descargas de aplicaciones. Lo interesante de este crecimiento es la cantidad de información que puede ser recolectada para que las empresas conozcan mejor a sus prospectos.  Esto da origen a lo que hoy en día se conoce como “fragmentos”.  

Los fragmentos son insights obtenidos de metadatos provenientes de los teléfonos móviles. La diferencia entre los fragmentos y los metadatos es que estos últimos son los datos sin procesar, mientras que los fragmentos son los conceptos e ideas obtenidos luego de que esos datos hayan sido recolectados y analizados.

Los fragmentos pueden atravesar toda una organización proporcionando información útil a distintos sectores. En este sentido, puede ayudar al equipo de riesgo a aprobar un crédito o un seguro, pero también al de marketing a hacer mejores promociones, ofertas más personalizadas,y recomendaciones de producto.  Por ejemplo, una empresa de seguros puede ver qué tipo de apps usa una persona y determinar si se interesa o no por temas relacionados a deportes, salud, seguridad, etc. y hacer una oferta en pos de satisfacer sus necesidades.

Entre algunos de los fragmentos que credolab utiliza se encuentran:

  • Aplicaciones instaladas: Permiten una mejor predicción de la personalidad de una persona. Por ejemplo, saber si los prospectos son usuarios de banca digital o de banca tradicional, si realizan inversiones y dónde, si utilizan productos de la competencia y cuál es su fuente de ingresos (autónomos, en relación de dependencia, entre otros).
  • Información del dispositivo como marca, el sistema operativo y el modelo: para realizar una segmentación tecnográfica, predecir el conocimiento tecnológico y mejorar la microsegmentación. 
  • Detección de eventos del calendario: el hábito de agendar próximas actividades, podría ser un indicador de cuán organizada es una persona y qué tan bien planifica. 
  • Análisis del manejo de los contactos: tener más que nombres y número de teléfonos en una lista de contactos podría indicar un mayor nivel de perfeccionismo. 
  • Detección de velocidad: analizar la singularidad de cada dispositivo y la velocidad en la que algunos de los clientes repiten la aplicaciones de préstamo, provee de insights adicionales que permite ayudar a prevenir el fraude. 
  • Análisis del comportamiento de typeo y de las interacciones de interfaz de usuario: detectar la cantidad de veces que los usuarios completan o cambian ciertos campos, usan la funcionalidad de autocompletar, usan copiar/pegar/eliminar en el llenado de solicitudes de formularios, puede ser utilizado para mejorar la experiencia y eliminar las fricciones. 

La recolección de datos basado en inteligencia artificial

Los fragmentos son consecuencia de la aparición de teléfonos móviles, del incremento en la penetración de internet, del aumento en el uso de apps y  del desarrollo de nuevas tecnologías basadas en inteligencia artificial y aprendizaje automático. Estas tecnologías están ayudando a superar la falta de información tradicional detrás de los modelos de scoring usados por los buró de crédito. Es decir, antes la información era recolectada en base a acciones del pasado: datos pasados de crédito y débito dentro del contexto del sistema financiero o muestras obtenidas en un momento determinado para predecir segmentos para estudios de mercado. 

En contraste con los modelos de información tradicionales, los algoritmos modernos permiten superar el pasado y pasar de un sistema de recolección de datos estático a uno dinámico.Por lo tanto, podemos encontrar datos frescos, en tiempo real y actualizados, que permiten crear modelos de comportamiento y obtener fragmentos en el presente. De esta manera, las empresas pueden aprender al instante sobre los usuarios e identificar los cambios en su comportamiento para tomar decisiones de manera mucho más rápida y efectiva, en el momento.

La tecnología no sólo ha permitido mejorar la experiencia del usuario ampliando la oferta de dispositivos y softwares, también ha logrado superar las limitaciones de los viejos sistemas de recolección de datos facilitando a las empresas mejores insights y fragmentos de información para un mayor y más preciso conocimiento de cada cliente cliente.