A Stone Pagamentos nasceu em um mercado marcado por práticas arcaicas e ineficientes com a promessa de “ser a opção que o mercado de pagamentos não oferece e potencializar o empreendedor brasileiro”. Nesse contexto, ergueu-se o sonho de seus fundadores em criar um modelo de negócios diferente.
Fundada em 2012 por André Street e Eduardo Pontes, a Stone se aventurou no mercado de meios pagamentos, dominado por empresas gigantes e consolidadas. Com foco no cliente, a empresa prometia subverter a ordem do mercado oferecendo taxas mais baixas e atendimento superior às concorrentes.
Aliando tecnologia a um time engajado no propósito de ajudar no crescimento de seus clientes e melhorar seus negócios, a empresa experimentou um rápido crescimento e em apenas 6 anos chegou em 2018 a um IPO, tornando-se o maior player independente do setor de meio de pagamentos no Brasil.
A startup tornou-se um sucesso rápido, mesmo enfrentando grandes desafios para ganhar mercado, incluindo a aquisição de outra adquirente com o dobro de seu tamanho. Sempre preocupada com a gestão de pessoas e batalhando para construir uma cultura forte e resiliente, a companhia iniciou um plano de expansão em 2016, crescendo 15 vezes sua equipe e quase 1.500 vezes seu portfólio de clientes em um ano, tornando-se a quarta maior adquirente do país.
O desafio da Stone
Para cumprir o plano de expansão, uma das áreas mais críticas para a empresa era o comercial. A Stone precisava garantir o bom desempenho dos vendedores, selecionando candidatos com potencial para entregar resultados de forma consistente.
A solução
Utilizando os testes da Mindsight e machine learning, foi construído um algoritmo preditivo sob medida com base nos profissionais de alta performance do departamento comercial da Stone.
O algoritmo servia para identificar os padrões de características dos vendedores que geravam mais resultados. Com base nesse aprendizado, o sistema conseguiria indicar dentre os candidatos dos processos seletivos, quais eram os que tinham potencial para vender mais.
O projeto
Com tamanha tração de negócios a Stone Pagamentos necessitava otimizar suas vendas para acompanhar seu forte crescimento. Nessa época havia 600 vendedores na empresa dos quais 30% eram considerados como high performers, segundo os critérios de avaliação da área.
Para construir o algoritmo, todos os vendedores realizaram os testes da Mindsight. O aprendizado via machine learning exige que uma amostra de pessoas seja fornecida ao algoritmo, para que ele aprenda os padrões de performance. Em seguida, o restante dos vendedores era usado para testar se o algoritmo estava funcionando.
Com o algoritmo de inteligência artificial montado, foi feito então o teste na amostra restante. Dentre as pessoas que o sistema indicou com maior probabilidade de ter alta performance, 45% eram, de fato, high performers. Ou seja, utilizando os testes na triagem, a Stone teria 15% a mais de finalistas de alta performance.
Com base nos resultados dos profissionais e no modelo de vendas da organização, foi projetado que essas pessoas atingiriam a marca de 10% a mais em quantidade de vendas e 6% a mais de receita.
Mesmo com as projeções promissoras, a Stone vivia um momento muito intenso de contratações, e era necessário ainda testar se o algoritmo da Mindsight funcionaria na prática. Afinal, a Stone foi nosso primeiro cliente. Logo, não era obrigatório para os recrutadores que utilizassem a indicação do algoritmo nas contratações.
Após 9 meses da implementação da inteligência artificial, a equipe avaliou a variação de performance entre as pessoas que entraram com a indicação do algoritmo e os que eram contratados sem esse crivo.
Foi então constatado que as pessoas que eram indicadas pelo algoritmo atingiram uma média de 16% a mais em quantidade de vendas que os não indicados e ainda geraram uma receita 5,2% superior. Um resultado ainda melhor do que o projetado inicialmente.
Tendo em vista a capacidade preditiva superior do modelo em relação aos métodos tradicionais, o algoritmo personalizado passou a ser adotado de maneira geral pelos recrutadores para indicar mais profissionais de alta performance e acompanhar a trilha de crescimento rápido da companhia.
