--- title: "Strategic App Intelligence: inteligência competitiva e estabilidade de app com IA" description: Veja como uma operação bancária classificou 300 mil aplicativos Android com IA, acelerou em 20x a leitura de dados não estruturados e usou esse ativo para apoiar inteligência competitiva e estabilidade do app. image: https://math.group/hubfs/Gemini_Generated_Image_v6gw5nv6gw5nv6gw.png --- ![logo-2](https://math.group/hs-fs/hubfs/logo-2.png?width=186&height=33&name=logo-2.png) # Strategic App Intelligence: inteligência competitiva e estabilidade de app com IA ![Gemini_Generated_Image_7axq0j7axq0j7axq](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_7axq0j7axq0j7axq.png?width=2752&height=1536&name=Gemini_Generated_Image_7axq0j7axq0j7axq.png) Setor Serviços financeiros Challenge A operação possuía uma base extensa de dados sobre aplicativos instalados nos celulares dos clientes, mas a estrutura era complexa, pouco utilizável e insuficiente para responder perguntas estratégicas sobre concorrência, comportamento e possíveis ofensores da estabilidade do app. Results O projeto acelerou em 20x o processo de classificação, entregou um MVP em uma semana, ampliou o uso interno para múltiplas áreas e apoiou a manutenção da meta de mais de 98% de usuários crash free. Strategic App Intelligence App Intelligence 20x Aceleração no processo de classificação 300KApps Base transformada em inteligência utilizável 98%+ Estabilidade do app apoiada pelo projeto ## “O valor não estava em ter mais dados sobre o celular do cliente. Estava em transformar esse volume bruto em leitura acionável para negócio e engenharia.” Head de Canais Digitais e Inteligência de Mercado Serviços financeiros ![Gemini_Generated_Image_v6gw5nv6gw5nv6gw](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_v6gw5nv6gw5nv6gw.png?width=2752&height=1536&name=Gemini_Generated_Image_v6gw5nv6gw5nv6gw.png) ## Quando o app é canal, produto e termômetro competitivo A operação pertence a uma instituição financeira em que o aplicativo móvel é um dos principais pontos de contato com o cliente. Nesse contexto, entender o ambiente digital em que esse app convive não é apenas uma curiosidade analítica. É uma necessidade para aquisição, retenção, estabilidade técnica e leitura competitiva. Quando os sinais sobre esse ambiente existem, mas permanecem presos em estruturas não tratadas, o banco perde capacidade de reagir tanto a movimentos de mercado quanto a fricções invisíveis na experiência digital. ## Muito dado, pouca leitura  O problema central não era ausência de informação. Era a incapacidade de convertê-la em decisão. A operação já dispunha de logs sobre aplicativos instalados nos celulares dos clientes, um ativo com potencial relevante para identificar presença de concorrentes, fintechs de nicho, apps de apostas e outros contextos de uso capazes de influenciar comportamento financeiro e relacionamento com o app do banco. O obstáculo estava no formato. Os dados chegavam em estruturas JSON aninhadas, sujas e pouco amigáveis para leitura estratégica. Isso gerava um primeiro tipo de cegueira: a competitiva. Sem classificação adequada, o banco não conseguia enxergar com clareza quais ecossistemas digitais estavam mais presentes na base, quais categorias ganhavam força e como essa informação poderia orientar ações comerciais ou análises de mercado. Havia também uma segunda cegueira, mais operacional. Sem saber quais outros aplicativos conviviam com o app bancário no ambiente do cliente, a engenharia perdia contexto para investigar falhas silenciosas e possíveis interferências sobre estabilidade. Em um cenário em que a meta de crash free users precisava ficar acima de 98%, essa ausência de leitura limitava a capacidade de antecipar ou explicar incidentes. As alternativas existentes tampouco resolviam o problema. APIs de lojas de aplicativos entregavam classificações genéricas demais, enquanto a classificação manual de 300 mil apps únicos seria lenta e financeiramente inviável. O desafio, portanto, não era apenas organizar dados. Era construir uma forma eficiente de transformar massa não estruturada em inteligência utilizável. ## Uma camada de inteligência sobre a stack que já existia  A resposta foi usar melhor o que a operação já tinha, em vez de ampliar a arquitetura com novas dependências. A MATH estruturou a solução sobre Microsoft Copilot, ferramenta já homologada no ambiente do cliente, adicionando uma camada de engenharia de prompts desenhada para limpar, interpretar e classificar dados não estruturados em escala. Em vez de tratar IA como caixa preta, o projeto trabalhou a orquestração da inferência com regras replicáveis e ajustáveis. A primeira frente foi a limpeza e organização dos logs. O sistema passou a interpretar os registros brutos dos aplicativos e convertê-los em categorias mais úteis à leitura do negócio, distinguindo concorrentes, plataformas de investimento, apps de apostas e outras tipologias relevantes para a operação. A segunda frente foi a governança. A classificação foi desenhada com privacy by design, permitindo gerar leitura sobre perfis e contextos de uso sem expor identificação pessoal do cliente. Isso preservou conformidade com LGPD ao mesmo tempo em que manteve a utilidade analítica da informação. A terceira frente foi o modelo híbrido de evolução. Em vez de fixar uma taxonomia rígida e estática, a solução foi pensada para incorporar revisão humana e ajuste fino quando novas categorias ganhassem relevância no mercado. Isso permitiu que a inteligência acompanhasse movimentos recentes, como o crescimento de apps de bets, sem depender de reconstrução completa do fluxo. A quarta frente foi a transformação da classificação em ação. Os dados passaram a alimentar dashboards no Power BI, possibilitando segmentações mais precisas e cruzamentos com critérios de negócio, como atividade recente, perfil comportamental e presença de determinados aplicativos. O ativo técnico deixou de ser apenas uma base tratada e passou a funcionar como camada de apoio à decisão comercial e à estabilidade digital. >  O ganho da solução não veio de adicionar ferramenta nova. Veio de aplicar inteligência sobre um recurso já disponível e transformá-lo em capacidade analítica real.  ## O que passou a ser possível enxergar  O primeiro resultado foi velocidade. A classificação dos dados passou a acontecer em ritmo 20 vezes superior ao dos métodos anteriores, tornando viável tratar uma base que, até então, era grande demais para revisão manual e confusa demais para leitura direta. O segundo resultado foi time-to-value. Em vez de meses dedicados à criação de uma nova plataforma, o MVP ficou pronto em uma semana. Isso permitiu validar rapidamente o potencial do ativo e colocar a inteligência em circulação com agilidade incomum para um contexto de alta complexidade. O terceiro resultado foi expansão de uso. O projeto começou atendendo um grupo menor de usuários estratégicos e se espalhou organicamente para outras áreas, incluindo frentes ligadas a canais, crédito e investimentos. Esse movimento mostra que a solução não respondeu a uma dor isolada. Ela criou um ativo com utilidade transversal. O quarto resultado foi técnico e operacional. A identificação mais precisa de aplicativos ofensores deu mais contexto para a engenharia proteger a estabilidade do app e sustentar a meta de mais de 98% de usuários crash free. Isso significa que a classificação não serviu apenas à leitura competitiva. Ela também fortaleceu a capacidade de resposta sobre experiência digital. Ao final, a operação deixou de conviver com um pântano de dados pouco utilizáveis e passou a operar com uma camada de leitura estratégica construída sobre recursos que já estavam à disposição. ## Sua operação ainda possui dados demais e inteligência de menos sobre o ambiente digital do cliente? [![Falar com a MATH](https://no-cache.hubspot.com/cta/default/21993063/interactive-195487063105.png) ](https://math.group/hs/cta/wi/redirect?encryptedPayload=AVxigLJa71tbwN%2BvkkgEadTiwhYGf%2FjwNqAn%2Bji7dQAQBBxPJljNsl4UVyi4kC22MyeA5H%2F%2B3OtqlP38mtgihbhwhxb0669dIX9QG0K7IdY%2BtHVRF%2B3b%2FMrhyv463GcahVT%2F2VxUxGD2%2BzCjk%2FT4FqLWGx1FoBbE0x6P%2B17fKGxo&webInteractiveContentId=195487063105&portalId=21993063&hsLang=pt-br) ## Estudos de caso relacionados [![](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_hs6x9yhs6x9yhs6x.png?width=2752&height=2752&name=Gemini_Generated_Image_hs6x9yhs6x9yhs6x.png) Serviços financeiros ### LP AI Tools: IA com RAG para acelerar landing pages e escalar aquisição ](https://math.group/cases-de-sucesso/lp-ai-tools-rag-landing-pages-eficiencia-aquisicao?hsLang=pt-br) [![](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_er58mper58mper58.png?width=2752&height=2752&name=Gemini_Generated_Image_er58mper58mper58.png) Serviços financeiros ### Case Modernização: governança de dados e mitigação de risco em seguros ](https://math.group/cases-de-sucesso/modernizacao-governanca-dados-mitigacao-risco?hsLang=pt-br) [![](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_o65ztdo65ztdo65z.png?width=2752&height=2752&name=Gemini_Generated_Image_o65ztdo65ztdo65z.png) Serviços financeiros ### Lighthouse Insights: Banco com operação digital orientada a performance ](https://math.group/cases-de-sucesso/lighthouse-insights-observabilidade-seo-eficiencia-tecnica?hsLang=pt-br)