Dados alternativos na análise de crédito

Os dados alternativos passaram dos projetos-piloto à produção primeiro nas fintechs. Os bancos vieram depois. Hoje, muitos credores integram esses sinais aos modelos de score.

Bancos e outras instituições financeiras estão avançando nessa direção. Eles usam dados alternativos para complementar as informações dos bureaus de crédito e os registros internos.

As fintechs usaram dados alternativos para lançar produtos como empréstimos entre pessoas e definir preços para clientes com histórico de crédito limitado. Credores que consideravam apenas o histórico de crédito não conseguiam atender muitos desses tomadores.

Dados alternativos como proxy do histórico de crédito tradicional

Em geral, os dados alternativos servem como proxy do histórico de crédito tradicional. Isso traz riscos porque não são evidências diretas de pagamento, mas sinais indiretos.

Os sinais podem estar correlacionados à inadimplência sem que exista uma relação causal. Alguns efeitos são sazonais ou dependem do contexto, sem refletir o comportamento real de pagamento. Em resumo, muitas correlações são espúrias.

O uso de dados alternativos na análise de crédito também pode criar novos riscos de discriminação. Por exemplo, sinais de redes sociais podem refletir etnia, gênero ou outros atributos e levar a decisões de crédito injustas.

O formato dos dados também é um desafio. Muitas fontes são não estruturadas e difíceis de usar em modelos tradicionais de score. Elas exigem processamento especializado, muitas vezes com métodos de inteligência artificial (IA) e aprendizado de máquina (ML).

A seguir, um resumo das principais vantagens e desvantagens.

Vantagens

  • Os dados alternativos ajudam a alcançar mais tomadores em potencial, inclusive pessoas sem histórico de crédito tradicional.
  • Os dados alternativos podem oferecer uma visão mais ampla e atual das finanças de quem solicita crédito, o que pode melhorar as decisões de crédito.
  • O uso de dados alternativos pode reduzir os custos de análise quando é caro obter e processar fontes tradicionais.

Desvantagens

  • Muitas fontes são não estruturadas e difíceis de integrar aos modelos tradicionais, por isso exigem processamento especializado, que pode ser caro.
  • Os dados alternativos podem ser usados de forma discriminatória contra determinados grupos.
  • As correlações entre sinais alternativos e inadimplência podem ser acidentais e não indicar o comportamento de pagamento.

Como criar um modelo de score de crédito com dados alternativos

Selecione os atributos de dados alternativos com o mesmo rigor, ou mais, aplicado na análise de crédito tradicional.

Isso significa que os atributos devem ser:

  • Relacionados à capacidade de crédito: devem ajudar a prever a probabilidade de inadimplência.
  • Disponíveis: devem existir para uma parcela significativa dos tomadores, para permitir o treinamento de um modelo confiável.
  • Práticos para obter e processar: devem ser fáceis de consultar e calcular para manter os custos sob controle.
  • Estáveis ao longo do tempo: a relação com a inadimplência deve se manter em diferentes períodos, inclusive em uma amostra de validação temporal.
  • Sem viés: não devem introduzir discriminação.

Exemplos de fontes de dados alternativos para análise de crédito

Exemplos de atributos de fontes alternativas que podem atender a esses critérios:

  • Histórico de pagamento de contas de serviços públicos
  • Histórico de pagamento de aluguel
  • Histórico de contratação de empréstimos de curto prazo
  • Atividade em redes sociais
  • Uso do celular
  • Dados de transações de comércio eletrônico
  • Histórico de uso de aplicativos de transporte

Leve essas verificações para um fluxo de decisão

Crie regras para crédito, fraude ou cobrança e aplique-as a decisões em produção.

Métodos de análise de crédito

Depois de selecionar os atributos, crie o modelo de análise de crédito. Você pode usar métodos tradicionais, como regressão logística, ou técnicas mais avançadas de aprendizado de máquina.

Entre os métodos comuns de análise de crédito com dados alternativos estão:

  • Floresta aleatória
  • Gradient boosting (XGBoost, LightGBM)
  • Redes neurais
  • SVM
  • Regressão logística
  • Outros modelos de regressão, como MARS

O aprendizado de máquina pode identificar automaticamente relações complexas entre os atributos e o risco de inadimplência, reduzindo a necessidade de definir variáveis manualmente. Em contrapartida, o modelo pode ser menos explicável e ter maior risco de sobreajuste. Avalie com rigor cada atributo incluído no modelo final.

Depois de criar o modelo, valide seu poder preditivo e verifique se há sobreajuste. Use validação cruzada e, quando possível, validação temporal.

Conclusão

Os dados alternativos podem complementar as fontes tradicionais na análise de crédito e ampliar o acesso para tomadores sem histórico de crédito.

Eles podem oferecer uma visão mais ampla das finanças de quem solicita crédito e apoiar decisões de crédito melhores.

Também podem reduzir os custos de análise quando é caro obter e processar fontes tradicionais.

Mas os riscos continuam: pode haver discriminação, e algumas correlações são acidentais, sem indicar o comportamento de pagamento.

Perguntas frequentes

Quais dados alternativos devo testar primeiro?

Comece com uma ou duas fontes que mostrem pagamentos recorrentes, como o histórico de pagamento de aluguel ou de contas de serviços públicos, se você conseguir obtê-las de forma consistente. Dê preferência a registros ligados diretamente aos compromissos financeiros de quem solicita crédito, em vez de sinais indiretos, como atividade em redes sociais. Antes de desenvolver o modelo, verifique a cobertura, a atualização dos dados e o custo de processamento. Uma fonte preditiva com disponibilidade irregular pode pouco acrescentar às decisões de crédito.

Como decidir se um sinal alternativo deve entrar no score?

Compare o modelo que usa o sinal com uma referência baseada em dados do bureau de crédito e dados internos, mantendo a mesma taxa de aprovação ou a mesma perda esperada. Depois, compare o benefício adicional com os custos dos dados, do processamento e da operação. Não há um ganho mínimo que sirva para todos: o resultado necessário depende das suas margens e do apetite a risco. Um erro comum é manter um sinal por seu poder preditivo geral antes de verificar se ele melhora as decisões para os tomadores que você atende.

Que validação devo exigir antes de usar dados alternativos nas decisões de crédito?

Use uma amostra de um período posterior, além da validação cruzada, e compare os resultados com os de um modelo que não inclua a nova fonte. Avalie o desempenho entre os grupos relevantes de tomadores, os padrões de dados ausentes e as mudanças na fonte ao longo do tempo. Um sinal que funciona apenas em um período ou para tomadores com registros excepcionalmente completos pode não sustentar uma decisão de crédito confiável.

Quando um sinal alternativo deve mudar o ponto de corte de aprovação?

Mude o ponto de corte apenas quando o sinal gerar estimativas de risco estáveis e úteis para os solicitantes afetados pela mudança. Defina o ponto de corte considerando as perdas esperadas, os preços e sua política de crédito, não apenas uma métrica do modelo. Primeiro, teste a política proposta com solicitações históricas. Depois do lançamento, acompanhe as taxas de aprovação e os resultados de pagamento antes de ampliar seu efeito.

Como saber se uma fonte de dados alternativos custa mais do que vale?

Calcule o custo total da fonte por decisão, incluindo aquisição, processamento, integração e verificações contínuas. Depois, compare-o com o valor adicional que ela traz para as aprovações ou para as perdas esperadas. Inclua o custo de tratar registros ausentes ou atrasados. Se o benefício depender de uma pequena parcela dos solicitantes ou exigir correções manuais frequentes, uma fonte mais simples pode ser a melhor opção.

Leve essas verificações para um fluxo de decisão

Crie regras para crédito, fraude ou cobrança e aplique-as a decisões em produção.