Os corretores de FX e CFD estão usando IA para prever o valor do cliente, o nível de engajamento e o churn à medida que os custos de aquisição sobem e a pressão regulatória empurra a indústria para longe do onboarding baseado em volume e em direção à qualificação de clientes baseada em comportamento. Prakash Bhudia, Chief Growth Officer da Deriv, e Ivan Kunyankin, Data Science Team Lead da Devexperts, disseram à Finance Feeds que os corretores agora priorizam sinais iniciais de intenção — incluindo rapidez no depósito, uso de conta demo e conclusão da primeira operação — em vez de métricas tradicionais como custo por lead e depósitos de primeira vez. A mudança reflete o reconhecimento crescente de que um funil menor de clientes qualificados supera aqueles de alto volume que geram estresse operacional, pior retenção e risco de conformidade. A Deriv automatizou 97,4% das retiradas dos clientes até junho de 2026 e usa um modelo de IA de 90 dias que identifica 68% dos futuros clientes de alto valor, enquanto a Devexperts alerta que segmentação estática por geografia ou faixa de depósito não consegue separar de forma confiável traders sérios de usuários casuais. Executivos do setor argumentam que aquisição virou o movimento de abertura — e não toda a estratégia — com o comportamento após o onboarding agora moldando decisões de produto e marketing em plataformas de trading de varejo.
Deriv muda o foco do volume para o comportamento pós-onboarding
Prakash Bhudia, Chief Growth Officer da Deriv, disse à Finance Feeds que os corretores acompanham métricas de custo por lead e de primeiro depósito, mas consideram que a atividade pós-onboarding é mais reveladora sobre o relacionamento com o cliente. Bhudia afirmou que a empresa analisa se os clientes voltam sem serem incentivados e se os padrões de negociação parecem sustentáveis, em vez de refletirem apenas comportamentos de um único depósito. A Deriv agrupa clientes em categorias de ativo, em risco, dormente ou em churn e responde de forma diferente a cada grupo. Bhudia apontou retiradas iniciais sem atritos como um grande momento de confiança para novos clientes, destacando que a Deriv automatizou 97,4% das retiradas dos clientes até junho de 2026. Ele disse que o valor vitalício é uma prioridade nomeada no planejamento interno de crescimento, e não um indicador retrospectivo. Bhudia descreveu aquisição como o movimento de abertura, com a atividade após a assinatura moldando decisões de produto e marketing.
Rapidez do primeiro depósito e uso de demo sinalizam intenção do cliente
Bhudia disse que os primeiros dias após o cadastro separam intenção de curiosidade. Ele apontou rapidez e tamanho do depósito como os sinais iniciais mais fortes, afirmando que clientes que avançam rapidamente do cadastro para depositar valores significativos têm muito mais chance de se tornarem clientes de alto valor. A atividade na conta demo antes de operar ao vivo é o próximo sinal mais forte: clientes que praticam antes de depositar retêm melhor do que aqueles que pulam as demos. Concluir a primeira operação é um indicador crítico, já que clientes que negociam ao menos uma vez têm muito mais probabilidade de criar hábitos duradouros do que aqueles que depositam sem operar. A Deriv executa um modelo em uma janela de 90 dias que identifica 68% dos futuros clientes de alto valor usando esses sinais. A empresa está adicionando dados comportamentais mais ricos, incluindo atividade no app, uso de recursos e tempo na plataforma, para melhorar o modelo. Bhudia disse que a velocidade é o maior indicador de intenção versus curiosidade.
Segmentação comportamental substitui sistemas estáticos de faixa
Bhudia disse que a segmentação foi além de geografia e tamanho do depósito, o que ele descreveu como demografia “vestida” de segmentação. A abordagem da Deriv examina padrões de engajamento, respostas à educação e se a atividade se conecta a promoções. O motor de nurture por IA da empresa e o agente de persona por IA tratam clientes com base em perfis comportamentais em tempo real, e não em faixas estáticas baseadas em valores depositados. Bhudia alertou contra dispensar rápido clientes movidos por bônus, observando que alguns viram top traders dezoito meses depois. Ele disse que o tamanho do depósito indica capacidade, mas não intenção, e que os dois muitas vezes são tratados como iguais. Bhudia concluiu que um grande primeiro depósito revela o que alguém consegue fazer, mas não o que vai fazer.
Implementação de IA exige redesenho de processos
Bhudia reconheceu que a IA ajuda alguns corretores a melhorar a qualidade do funil, mas a maior parte da indústria depende de segmentação estática por geografia, faixa de depósito e canal de aquisição. Ele disse que os corretores à frente estão usando IA para atender clientes em tempo real, em vez de apenas rotulá-los. A camada de personalização da Deriv gera e-mails com personalização por IA que rodam com desempenho duas a duas vezes e meia acima de campanhas genéricas. O agente de suporte Amy lida com uma grande parcela das interações com clientes globalmente depois que a Deriv reconstruíu seu fluxo de trabalho do zero, em vez de automatizar scripts antigos. Bhudia disse que chegar até lá exigiu um esforço significativo porque o que funciona no papel pode falhar na prática. Ele afirmou que a tecnologia existe, mas a lacuna é se as empresas vão reconstruir processos em torno do que a IA consegue fazer — em vez de adicionar IA a sistemas pré-IA.
Devexperts liga qualidade do cliente à retenção, e não ao volume de aquisição
Ivan Kunyankin, Data Science Team Lead da Devexperts, disse à Finance Feeds que corretores sempre se concentraram em atrair e reter traders, mas a competição se intensificou. Ele disse que a pandemia aumentou o tempo gasto em casa e impulsionou o segmento de trading de varejo, enquanto avanços em tecnologia e IA dificultaram a concorrência para corretores tradicionais diante de novas ofertas. Kunyankin afirmou que esses fatores produziram uma mudança marcante para construir relacionamentos de longo prazo e reter uma base forte de clientes de alto valor. Ele disse que ferramentas com IA, como o perfilamento de usuários DXtrade da Devexperts, usam dados reais para determinar informações do cliente relativamente cedo após a entrada. Kunyankin explicou que a hora depende do volume de atividade de negociação, e não do tempo no calendário, com sistemas capazes de começar a construir perfis após uma certa quantidade de operações. Ele disse que uma imagem pode começar a ser moldada após algumas operações, embora períodos de observação mais longos melhorem a precisão da previsão.
Mudanças súbitas de atividade indicam risco de churn
Kunyankin disse que diferentes corretores definem comportamento preditivo do cliente de formas diferentes, com base em suas ofertas, objetivos, localização geográfica e ambiente regulatório. A Devexperts encontrou que mudanças rápidas de comportamento são um forte indicador de churn. Kunyankin deu o exemplo de um trader dormente que, de repente, fica muito ativo, acessa com frequência e vende posições, como sinais prováveis de intenção de sair. Ele disse que negociação constante e consistente ou um comportamento inicial medido e equilibrado tende a prever valor de longo prazo. Kunyankin afirmou que filtros estáticos e heurísticas não conseguem separar potenciais clientes de alta intenção de usuários casuais ou movidos por bônus, alertando para não interpretar demais o comportamento inicial de depósito. Ele disse que corretores precisam de soluções avançadas que usem dados comportamentais para fazer avaliações precisas e nuançadas com base em ações e hábitos dos traders no início da jornada do usuário. Kunyankin observou que estruturas de IA que analisam grandes volumes de dados de traders podem ser extremamente eficientes na previsão de resultados.
FAQ
Quais sinais iniciais corretores de FX usam para prever o valor do cliente?
Corretoras de FX usam rapidez e tamanho do depósito, atividade em conta demo antes de operar ao vivo e conclusão da primeira operação como os sinais iniciais mais fortes de intenção do cliente. Segundo o Chief Growth Officer Prakash Bhudia, o modelo de IA de 90 dias da Deriv identifica 68% dos futuros clientes de alto valor usando esses indicadores comportamentais.
Como a segmentação de clientes mudou no trading de varejo?
A segmentação de clientes saiu de categorização estática por geografia e faixa de depósito para perfis comportamentais em tempo real. A Deriv agrupa clientes em categorias de ativo, em risco, dormente ou em churn e usa IA para responder com base em padrões de engajamento, respostas à educação e conexão da atividade a promoções, em vez de faixas fixas baseadas em depósito.
Quais mudanças comportamentais indicam que um cliente provavelmente vai fazer churn?
Mudanças rápidas de comportamento, como um trader dormente que de repente fica muito ativo, acessa frequentemente e vende posições, são indicadores fortes de churn. O Data Science Team Lead Ivan Kunyankin, da Devexperts, disse que negociação estável e consistente desde o início tende a prever valor de longo prazo, enquanto picos súbitos de atividade frequentemente sinalizam intenção de sair.
