Crédito e Risco
Da definição do target ao monitoramento em produção — o processo completo, explicado por quem participou da construção de mais de 300 modelos de score no Brasil, incluindo o primeiro score de crédito com machine learning desenvolvido por um bureau no país.
Um score de crédito é um modelo estatístico que estima a probabilidade de um evento — normalmente a inadimplência — para uma pessoa ou empresa em um horizonte definido, como 12 meses. O resultado é resumido em uma pontuação: quanto maior o score, menor o risco estimado.
Bancos, fintechs, seguradoras e varejistas usam scores para decidir concessão de crédito, limites, taxas e estratégias de cobrança. Por trás de praticamente toda decisão automatizada de crédito no Brasil existe um score — e a diferença entre um modelo bem e mal construído aparece direto no resultado financeiro da operação.
O processo é menos sobre algoritmo e mais sobre método. Estas são as seis etapas que se repetem em qualquer construção séria de score — de bureau, banco ou fintech.
Tudo começa pela pergunta de negócio: o que é "mau pagador" neste produto? Atraso acima de 90 dias em 12 meses? A definição do target e das janelas de observação e desempenho é a decisão mais importante do projeto — um target mal definido compromete tudo o que vem depois.
Cadastro, histórico de pagamento, dados de bureau, comportamento transacional. Nesta etapa se definem as amostras de desenvolvimento e validação, tratando vieses como o da população aprovada (reject inference) e evitando vazamento de informação do futuro (leakage).
As variáveis brutas viram características com poder preditivo: atrasos recentes pesam mais que antigos; razões, tendências e agregações capturam comportamento. Boa parte da performance de um score vem daqui — não do algoritmo.
Da regressão logística — padrão do mercado por interpretabilidade e exigências regulatórias — a algoritmos de machine learning como gradient boosting. A escolha equilibra performance, estabilidade, explicabilidade e requisitos de governança.
O modelo é avaliado em bases fora do desenvolvimento (out-of-time): KS e AUC/Gini medem discriminação; análises por safra e PSI medem estabilidade; a calibração verifica se a probabilidade prevista corresponde à inadimplência observada.
Score bom é score monitorado: implantação com governança, acompanhamento de performance por safra e critérios claros de recalibração ou redesenvolvimento quando a população ou o cenário mudam.