‍Num cenário macroeconômico desafiador como o atual momento brasileiro, onde existem altas taxas, diminuição das concessões e forte concorrência do crédito (especialmente com o surgimento das fintechs), melhorar o desempenho dos scores e modelos preditivos passa a ser mandatório.
‍
Neste artigo trazemos algumas ideias que podem auxiliar, reduzindo e mitigando o risco de inadimplência.
‍

1- Matriz de Scores de Informações no Risco de Crédito

Os scores e ratings de crédito compõem os principais indicadores da probabilidade de um cliente ou contrato honrar suas dívidas e geralmente são construídos a partir de uma vasta gama de informações (transacionais, cadastrais, etc.). Em processos já conhecidos e robustos, onde muitos tipos de dados já estão disponíveis, adicionar um tipo novo de informação no score pode, geralmente, não apresentar aumentos significativos em termos de métricas de avaliação (KS, GINI, AUC, …). Neste cenário, pode-se trabalhar com uma matriz de scores. No exemplo abaixo, os valores das caselas são as inadimplências, em cada recorte da matriz. Estes recortes são possíveis, uma vez que o público e a decisão de crédito ganha em “granularidade”.
‍

O uso da matriz geralmente evidencia ganhos em termos de inadimplência e/ou aprovação em comparação ao uso de um único score.

‍

2- MLOp´s em Scores de Cobrança e Fraude

‍

Identificar rapidamente padrões ou clientes fraudulentos é um desafio constante, principalmente para instituições financeiras que atuam no mundo digital. No mundo da cobrança, os padrões e clusters de possíveis pagadores mudam constantemente. No jargão de crédito, esses scores perdem desempenho e robustez muito mais rápido que modelos de application ou behavior. Atualizar rapidamente esse ferramental certamente faz a diferença no resultado final. Neste contexto, uma das várias funções do chamado MLOps (Machine Learning Operations) é estimar e implantar rapidamente novos scores de cobrança e fraude com um mínimo de intervenção manual. Com modelos constantemente ajustados, certamente os processos serão mais eficientes.

‍

3- Não esqueça do cenário macro

‍

Geralmente os scores de crédito, cobrança, fraude são chamados de modelos preditivos, que otimizam a relação de cada cliente com a probabilidade de inadimplência no futuro. Porém, mudanças no cenário macroeconômico conseguem “chacoalhar” os indicadores de qualquer produto / setor do crédito, desde crédito imobiliário até cartões de crédito no meio digital. Considerar e até tentar prever esses movimentos configuram um diferencial importante na tomada de decisão. Para avançar nesses temas, algoritmos que consideram um horizonte de tempo maior e que consideram índices econômicos geralmente agregados numa visão mensal são as ferramentas mais indicadas para tal. São os chamados modelos de séries temporais.

‍

E como podemos te ajudar?

‍

A Datarisk possui expertise no desenvolvimento de soluções analíticas e preditivas para diversos segmentos. Auxiliamos instituições financeiras a desenvolver seu próprio score de crédito, a partir dos seus dados históricos e transacionais. Funcionamos também como um hub de dados para incrementar novas informações a partir dos nossos parceiros estratégicos.
‍
Estas e outras inovações são parte das soluções que entregamos aos nossos clientes, gerando mais valor para o seu negócio.
‍
Se estiver interessado em saber mais sobre a Datarisk, acesse nosso site e redes sociais: Instagram, Linkedin, Youtube.

‍