Estudo de caso · Product/UX Design · 2022–2023
Inteligência em Reembolso
Uma solução de IA e Machine Learning integrada ao ecossistema da SulAmérica para detectar, analisar e prevenir fraudes em reembolsos de saúde em tempo real.
- Cliente
- Neurotech | Trillia [B3] · SulAmérica
- Papel
- UX/Product Designer
- Período
- 1 ano
R$ 30 MM
de saving direto em 6 meses de produção
6 meses
até o resultado aparecer em produção
↓ Falsos+
redução drástica de alarmes falsos na triagem
- 01
Contexto e desafio
Fraudes e solicitações irregulares de reembolso geram riscos financeiros massivos para as seguradoras. Mapeamos o ecossistema atual (As-Is) e desenhamos um fluxo futuro otimizado (To-Be) para orquestrar a detecção automatizada de fraudes de ponta a ponta.
- Mapa da jornada atual
- Mapa da jornada futura
- Critérios de sucesso com o cliente
Mapeamento de jornada — cenário atual e cenário futuro - 02
Mapeamento do ecossistema: métricas, variáveis e regras
Mapeei a jornada operacional para identificar gargalos, estabelecer critérios de sucesso e isolar as variáveis determinantes dos modelos preditivos. Essa etapa definiu as regras de prioridade do sistema e estruturou a arquitetura de informação dos painéis analíticos.
- Solução A — Score de fraude e desvio
- Solução B — Análise de prestadores
- Solução C — Inteligência de imagem
Mapeando métricas, variáveis e regras de negócio (Soluções A, B e C) - 03
Priorização de dados: esforço × impacto
Cada indicador candidato foi avaliado com engenheiros e cientistas de dados quanto ao esforço de desenvolvimento e ao impacto no negócio, gerando um backlog analítico defensável — do ranking de prestadores ofensores à detecção de sinistro prematuro em CNPJs recém-credenciados.
Priorização de indicadores — matriz esforço × impacto - 04
Escopo estratégico: histórias de usuário e mapeamento de dados
Traduzi os indicadores priorizados em histórias de usuário conectadas às fontes de dados disponíveis, garantindo que cada tela nascesse de uma decisão real de negócio e de um dado efetivamente coletável.
Arquitetura da informação dos painéis analíticos - 05
Protótipos de baixa e alta fidelidade
Construí o fluxo de análise das solicitações de reembolso e os dashboards de monitoramento: visão de beneficiários, visão de prestadores, mapas geográficos de ranking e cortes por período, serviço e carteira.
- Fluxo de análise de SRs (solicitações de reembolso)
- Painel de inteligência de beneficiários
- Painel de inteligência de prestadores
Protótipos de baixa fidelidade 
Protótipos de alta fidelidade - 06
Handoff de engenharia e pesquisa avaliativa
Testes de usabilidade com os analistas da operadora orientaram o refinamento dos painéis. O handoff estruturado com o time de engenharia garantiu fidelidade entre o desenho e o produto em produção.
Refinamento após pesquisa com usuários — visualizações 
Refinamento após pesquisa com usuários — tabelas de análise
Impacto
Em apenas 6 meses após o lançamento em produção, o ecossistema de triagem inteligente reduziu drasticamente os falsos-positivos e gerou uma economia direta de R$ 30 milhões para a SulAmérica, expandindo a capacidade analítica da equipe e estabelecendo um novo padrão de gestão de risco guiada por dados.
Discutir um desafio parecido