OptimADs - Sistema de recomendação baseado em modelos de ML e IA para criação de ofertas one-to-one multisetor

Ao desenvolver um novo e disruptivo sistema de recomendação capaz de fornecer sugestões personalizadas de campanhas de cashback, baseado em modelos avançados de redes neuronais e novos modelos de leitura e processamento de dados transacionais, a D4D irá revolucionar a forma como serão desenhadas novas ofertas one-to-one multisetor. Assim, o presente projeto de I&D tem como principal objetivo o desenvolvimento de uma inovadora ferramenta de conceção e desenho de ofertas one-to-one, multisetoriais, assente no desenvolvimento de um sistema inteligente de recomendações de campanhas de cashback de produtos/serviços personalizadas. Tal envolverá o desenvolvimento de novos algoritmos ML e sistemas de aprendizagem conjunta através de Federated Learning e Differential Privacy, capazes de analisar as interligações entre os diferentes tipos de datasets, dados históricos de transações, dados sociodemográficos, entre outros. Como objetivos estratégicos do projeto destacam-se os seguintes: • Disponibilizar uma solução pioneira no mercado com incorporação de IA, tecnologicamente mais evoluída face à atual e concorrência; • Aumentar a quota de mercado da D4D; • Reconhecimento da D4D enquanto parceiro ideal para o desenvolvimento de campanhas de marketing digital; • Início da internacionalização da solução; • Melhoria contínua dos modelos através do acesso a novos pool de dados transacionais, contribuindo para o próprio enriquecimento da solução. Como objetivos específicos (OE) do projeto destacam-se: OE1: Desenvolver um modelo assente em redes neuronais capaz de gerar recomendações personalizadas para campanhas de cashback que envolvam vários produtos e serviços; OE2: Desenvolver novos modelos de processamento de linguagem natural para identificação correta dos retalhistas/comerciantes com base nos descritivos de texto correspondentes às transações bancárias; OE3: Desenvolver sistemas de aprendizagem conjunta através de Federated Learning associada à Differential Privacy, que permita a otimização do desempenho dos modelos de ML; OE4: Assegurar de forma automática a personalização e ordenação das ofertas, tendo em conta as reais preferências dos utilizadores bem como a localização preferencial dos seus consumos; OE5: Alcançar os seguintes indicadores e métricas de performance esperados: • Rácio cashback por impressão: um dos principais objetivos deste projeto, em termos de métricas, é, ao fim dos dois anos, aumentar em 20% o volume de cashbacks por visualização de campanhas • CPA médio (% e valor): aumentando a efetividade das campanhas, é expectável que o produto da D4D se torne muito mais valorizado pelos comerciantes, o que significará um aumento do Cost Per Acquisition médio por transação (em percentagem sobre o valor transacionado e em €). Este CPA será dividido entre cashback (para o cliente) e comissão (a dividir entre o banco e D4D) Em suma, ao desenvolver novos modelos de leitura e processamento de dados transacionais e modelos avançados de redes neuronais de suporte à criação de uma nova e inovadora ferramenta de marketing digital multisetor, a D4D estará a contribuir com avanços técnicos e tecnológicos significativos ao nível do estado-da-arte do setor onde atua.