Os hábitos de consumo estão em constante mudança devido a diversos fatores que nunca saem do radar das empresas na hora de conceder crédito, seja visando maiores arrecadações e vendas ou pela gestão de risco de inadimplência e fraude. Nos últimos anos, entretanto, as mudanças foram mais drásticas em virtude da pandemia que, entre outros impactos, acelerou o crescimento da digitalização e fez com que as rotinas e o modo de trabalhar fossem alterados. Consequentemente as dívidas das famílias brasileiras se intensificaram, sendo necessária uma adequação dos modelos de análise de crédito.
Coincidência ou não – já que mecanismos como Open Finance eram estudados e discutidos no País antes do surgimento do coronavírus –, em 2022 observamos uma crescente alta no volume de informações disponíveis, especialmente dados alternativos. As concessoras de crédito passaram a ter um bom “queijo” em mãos. Tirar o melhor proveito dele, porém, depende de uma “faca” bem afiada para acelerar o processo, e é neste cenário que empresas que possuem boas ferramentas de automação e de análise levam vantagem por um motivo: a possibilidade de analisar cada caso de forma personalizada e assertiva.
Antigamente, as políticas de crédito eram criadas tendo base em poucas variáveis, com apenas uma ou duas fontes de consulta. Mas a quantidade dessas propriedades só aumenta devido à imensa gama de dados disponíveis, com auxílio de ferramentas como o Cadastro Positivo, PIX e o já citado Open Finance. Por isso, saber quais delas são realmente relevantes para o seu negócio é essencial para manter uma política que trabalhe com informações mais rápidas, precisas e, principalmente, com o menor custo possível.
Um exemplo bastante efetivo é a combinação de Big Data com Inteligência Artificial com intuito de descobrir o relacionamento do tomador com as finanças, através de informações autorizadas em sites públicos, bureaus de crédito, cadastros e por meio de dados alternativos disponibilizados no ambiente digital.
Tal potencial pode ser ilustrado por um cliente que necessitava melhorar a concessão do produto, sem impactar na taxa de inadimplência da sua carteira e maximizar sua aprovação. A partir da realização de uma modelagem personalizada, que cruzou tais dados, foi possível encontrar dois cenários: em um deles, poderia-se reduzir em 13,3% as perdas, sem impactar na aprovação.
No outro, havia a possibilidade de incremento de 23,9% na aprovação, sem aumentar a perda. Com a solução adotada, o ganho KS atingiu 54%, com o aumento de 9,5 pontos percentuais.
O caso permite estimar o quão profundo será o impacto das técnicas de modelagem para análises preditivas de concessão de crédito. Se antes as instituições financeiras se queixavam da falta de informação para o desenvolvimento de políticas de diferenciação de taxas, que as tornem mais justas e façam do consumo algo mais saudável, a partir do tripé composto pelo Cadastro Positivo, Open Finance e dados alternativos, isso muda completamente.
Com essa profusão de dados, sai na frente quem for mais eficiente em entender os cenários e desenvolver produtos e serviços adaptados para cada perfil de cliente.
A opinião e as informações contidas neste artigo são responsabilidade do autor, não refletindo, necessariamente, a visão da SpaceMoney.