Catégorisation de transactions

Definição

A categorização de transações transforma uma operação bruta (descritivo técnico, valor, data) em uma categoria útil: "Alimentação › Supermercado", "Transporte › Uber", "Salário".

É um bloco invisível, mas crítico, para todo caso de uso que consome dados de AIS: PFM, BFM, scoring de crédito alternativo, contabilidade automática, detecção de fraude, embedded finance.

O problema: descritivos brutos ilegíveis

Um extrato típico contém linhas como:

• CB SNCF MOBILE 24/04 0612345678
• VIRT SARL XYZ COMM/AVR2025
• PRLV EDF FACT N12345678
• CB CARREFOUR EXP 23/04 75011 PARIS
• CB AMZN MKTPL DUBLIN IE

Assim como está, é inaproveitável. É preciso inferir a categoria, o estabelecimento real e a natureza da despesa.

Regras, ML, híbrido

Três abordagens, todas usadas:

• Regras determinísticas — regex e tabelas de correspondência ("CARREFOUR" → Supermercado). Precisas no que é conhecido, incapazes de lidar com novos estabelecimentos.
• Machine learning supervisionado — modelos treinados em dezenas de milhões de descritivos rotulados, capazes de generalizar ("CARREF EXPRESS PARIS" sem entrada explícita).
• Híbrido — regras para os casos certos, ML para o desconhecido, e um ciclo de feedback (recategorização manual → retreinamento).

Os líderes (Bud, Yodlee, Tink, Heron Data) são todos híbridos, com modelos proprietários treinados em centenas de milhões de transações.

A taxonomia: nenhum padrão

Não existe uma taxonomia universal. Cada ator define a sua, geralmente em 2 ou 3 níveis:

• N1 — grandes famílias (Alimentação, Transporte, Moradia, Salário etc.).
• N2 — subcategorias (Supermercado, Restaurante, Padaria).
• N3 — detalhamentos (cadeia varejista, tipo de produto).

Os MCC (Merchant Category Codes, ISO 18245, 4 dígitos atribuídos pelas redes) ajudam, mas não bastam: às vezes estão errados ou são genéricos demais (o código 5411 "Grocery Stores" cobre tanto o Carrefour quanto um quiosque de comida).

Critérios de qualidade

• Coverage: parcela das transações categorizadas (x "Outros"). Alvo > 95%.
• Accuracy: parcela corretamente categorizada. Alvo > 90% no N1, > 80% no N2.
• Latência: idealmente < 100 ms por transação para tempo real.
• Multilíngue / multipaís: um ator pan-europeu precisa ser igualmente preciso em FR, DE, IT, ES, PL.
• Estabilidade: não recategorizar de forma diferente a mesma transação de uma chamada para outra.

Caso empresarial: a categorização contábil

Para o BFM e a contabilidade automática (Pennylane, Qonto, Indy), o exercício é mais complexo: é preciso ligar a transação a um plano de contas (PCG, IFRS), tratar o imposto (dedutível ou não, alíquotas variáveis), produzir linhas de lançamento e conciliar automaticamente transações e faturas. Uma linha "FOURNITURES BUREAU" (material de escritório) deve assim se tornar "Conta 6064, imposto de 20% dedutível".

O que a categorização não é

• Não é o enriquecimento: a categorização infere a categoria; o enriquecimento adiciona logo, geolocalização, MCC e ficha da empresa. Duas camadas distintas, muitas vezes combinadas.
• Não é um serviço regulado: nenhuma autorização da ACPR para categorizar; um AISP que categoriza seus próprios dados continua sendo AISP.
• Não é universal: os descritivos, MCCs e comportamentos diferem por país; um modelo global raramente iguala um modelo por país.
• Não é estática: cada novo estabelecimento (TikTok Shop, novo operador) precisa ser aprendido continuamente.

No ecossistema PSD2

A categorização não faz parte da PSD2 stricto sensu (que só define o transporte dos dados), mas é o principal valor agregado sobre o AIS: sem ela, os dados continuam sendo descritivos brutos. É o que justifica o modelo de negócio dos agregadores e das soluções de PFM/BFM.

Exemplos concretos

• Líderes: Bud (UK), Heron Data (UK, foco empresarial), Yodlee (US, comprada pela Envestnet), Tink (Suécia, Visa), Bridge e Powens (FR), MX (US).
• Bankin' / Lydia / Linxo: muitas vezes se apoiam no motor da Powens ou da Bridge; a Bankin' também tem seu motor histórico.
• Pennylane: categorização contábil (PCG), OCR de faturas e conciliação automática, com uma acurácia declarada acima de 95%.
• Heron Data: posiciona-se no scoring B2B, qualificando os fluxos de uma PME para avaliar sua saúde financeira.
• Limitação conhecida: as transferências P2P são as mais difíceis de classificar — um "VIRT JEAN DUPONT" sem contexto permanece inclassificável; muitos PFMs as deixam "a classificar".
• Custo: tipicamente € 0,001 a € 0,01 por transação nos líderes — significativo em milhões de transações por dia, daí a internalização nos grandes players.
• Evolução: uso de LLMs para categorizar descritivos inéditos em zero-shot (testado na Heron, na Bud) — mais precisão na cauda longa, mas um custo de inferência superior.