Pontuação de crédito

Pontuação de crédito é o uso de um modelo estatístico para converter informações sobre um tomador em um único número que estima a probabilidade de ele pagar. A pontuação é comparada a um ponto de corte, e o ponto de corte orienta a decisão de aprovar, encaminhar ou recusar.

A afirmação subjacente à pontuação é restrita e vale a pena ser enunciada com precisão: características que previram o pagamento entre tomadores passados irão prevê-lo entre os futuros. Uma pontuação não é um julgamento sobre uma pessoa. É um mecanismo de classificação — diz que este solicitante se assemelha a um grupo que pagou a uma determinada taxa, nada mais. Não carrega opinião alguma sobre qualquer indivíduo e não faz promessa alguma sobre qualquer resultado individual.

Essa restrição também é a fonte do seu poder. Um modelo aplica a mesma regra a todos os solicitantes, em milissegundos, com custo marginal efetivamente zero, e não se cansa, não é alvo de tentativas de manipulação nem se deixa persuadir. Quando o volume de empréstimos é alto e o valor de cada um é baixo, nenhuma forma de análise de crédito humana compete em custo.

Pontuação, scorecard, rating e relatório

Quatro termos que são usados de forma intercambiável e não deveriam ser.

• Pontuação de crédito: O número produzido para um solicitante específico em um momento específico
• Scorecard: O próprio modelo — as características, seus pesos e a estrutura de pontos que geram as pontuações
• Relatório de crédito: O registro factual das contas e do histórico de pagamento de um tomador, mantido por um birô
• Rating de crédito: Uma avaliação da solvabilidade de uma entidade, geralmente expressa em uma escala de letras e aplicada a empresas e governos, em vez de indivíduos
• Probabilidade de inadimplência (PD): A probabilidade estimada de inadimplência à qual uma pontuação corresponde, expressa como porcentagem

Uma pontuação é derivada de um relatório por meio de um scorecard. O relatório é evidência; a pontuação é inferência. Um tomador que contesta uma decisão geralmente está contestando algo no relatório, e os dois precisam ser separáveis para respondê-lo.

Como funciona um scorecard

A maioria dos scorecards em produção são modelos baseados em pontos derivados de regressão logística. Cada característica é dividida em faixas, cada faixa recebe pontos, e os pontos são somados.

A sequência de construção, em linhas gerais:

1. Definir bons e maus. Um "mau" geralmente é um empréstimo que atinge um status de inadimplência especificado — normalmente 90 dias em atraso — dentro de uma janela definida. Essa definição determina tudo o que vem depois, e alterá-la posteriormente invalida o modelo.
2. Definir as janelas de observação e de desempenho. As características são obtidas no momento da solicitação; o desempenho é medido ao longo do período seguinte, normalmente de 12 a 18 meses. O modelo só pode ser construído depois que empréstimos suficientes tiveram tempo de se tornarem maus.
3. Monte uma amostra de desenvolvimento. Empréstimos suficientes e, principalmente, uma quantidade suficiente de maus empréstimos para estimar com confiabilidade.
4. Selecione e agrupe as características. Teste cada variável candidata quanto ao poder preditivo e à estabilidade e, em seguida, agrupe seus valores em faixas com taxas de inadimplência materialmente diferentes.
5. Ajuste o modelo e atribua os pontos. Converta os coeficientes ajustados em uma escala de pontos com números inteiros que a equipe e os sistemas possam usar.
6. Valide em uma amostra de validação que o modelo não tenha visto.
7. Defina o ponto de corte e as ações associadas a cada faixa de pontuação.
8. Monitore e recalibre à medida que a população de solicitantes e o ambiente mudam.

Exemplo prático: um scorecard simples de solicitação de crédito

Tempo de atividade

• Menos de 1 ano: 0 pontos
• 1–3 anos: 15 pontos
• Mais de 3 anos: 25 pontos

Histórico de empréstimos com o credor

• Primeiro ciclo: 0 pontos
• 2º–3º ciclo: 20 pontos
• 4º ciclo ou mais: 30 pontos

Resultado do birô de crédito

• Registro adverso: recusa automática
• Cadastro limpo e limitado: 10 pontos
• Cadastro limpo e consolidado: 20 pontos

Relação dívida/renda

• Acima de 45%: 0 pontos
• 35–45%: 10 pontos
• Abaixo de 35%: 20 pontos

Comportamento de poupança ou depósitos

• Nenhum: 0 pontos
• Irregular: 5 pontos
• Regular: 15 pontos

Um solicitante com dois anos de atividade, no terceiro ciclo de empréstimo, com um cadastro limpo, porém escasso, no birô, DTI de 38% e poupança regular soma 15 + 20 + 10 + 10 + 15 = 70.

• 75 ou mais: Aprovação automática pelo valor total solicitado
• 60–74: Aprovar, com valor limitado ou exigência de garantia adicional
• 45–59: Encaminhar para avaliação manual
• Abaixo de 45: Recusar

Aos 70, o solicitante é aprovado com um valor limitado. A faixa de encaminhamento importa mais do que parece: é onde um pequeno credor mantém o julgamento humano no processo para os casos em que o modelo tem menos confiança, em vez de descartar totalmente o julgamento.

Tipos de pontuação

A pontuação de solicitação decide sobre novos solicitantes usando as informações disponíveis na solicitação. É isso que a maioria das pessoas entende por pontuação de crédito.

A pontuação comportamental usa a conduta do próprio tomador nas contas existentes — pontualidade de pagamento, utilização, tendências de saldo — para decidir sobre aumentos de limite, complementos, renovações e precificação. Em geral, é mais preditiva do que a pontuação de solicitação, porque o comportamento passado com você supera o comportamento inferido de uma população. Qualquer credor com tomadores recorrentes pode desenvolver uma pontuação comportamental muito antes de ter os dados para um scorecard de solicitação completo.

A pontuação de cobrança classifica as contas inadimplentes pela probabilidade de recuperação, de modo que o esforço vá para onde gera mais dinheiro. Um credor com mais casos de atraso do que agentes já está, implicitamente, priorizando; a pontuação torna a priorização explícita.

A pontuação de birô é produzida pelo próprio birô de crédito com base em todos os seus membros informantes, por isso enxerga obrigações com outros credores que um modelo interno não consegue.

Scorecards personalizados ou internos são construídos com base na própria carteira. Eles se ajustam muito melhor à base real de clientes do que um modelo genérico, e exigem que o credor tenha uma carteira que valha a pena modelar.

Pontuação com dados alternativos

A pontuação convencional pressupõe um cadastro no birô. Em mercados em que a maioria dos tomadores nunca teve um empréstimo formal, essa premissa exclui a maioria da população, e dados alternativos são o caminho para contornar isso.

• Histórico de transações de dinheiro móvel: Regularidade de renda, padrões de saldo, disciplina de gastos, giro do negócio
• Comportamento de compra de recargas e pacotes de dados: Estabilidade de renda e suavidade do fluxo de caixa em altíssima frequência
• Tempo de aparelho e de operadora: Estabilidade, capacidade de contato, extensão do histórico verificável
• Registros de pagamento de contas de serviços públicos e de aluguel: Disposição para cumprir obrigações recorrentes
• Dados de transações de lojistas ou de PDV: Faturamento verificado do negócio e sazonalidade
• Avaliação psicométrica: Atitudes e traços associados ao pagamento quando não existe histórico financeiro
• Registros de grupos e de programas de poupança: Disciplina de contribuição e reputação entre pares

O histórico de dinheiro móvel é o mais forte entre eles na prática, porque é transacional, e não declaratório, difícil de falsificar e denso o suficiente para revelar sazonalidade. É também o mais sensível: é um registro completo da vida financeira de uma pessoa, e usá-lo exige uma base legal, consentimento informado e regras defensáveis de retenção, segundo a lei de proteção de dados de cada mercado em que você atua. A questão de conformidade aqui não é uma formalidade — frequentemente é a restrição vinculante que determina se um modelo de dados alternativos pode ser implantado de fato.

Pontuação e avaliação subjetiva

• Custo por decisão: Quase zero (Pontuação) vs. Alto (Avaliação subjetiva)
• Velocidade: Segundos (Pontuação) vs. Horas a dias (Avaliação subjetiva)
• Consistência: Completa (Pontuação) vs. Varia por agente e por dia (Avaliação subjetiva)
• Tomadores com pouco histórico de crédito: Tratados mal (Pontuação) vs. Tratados bem (Avaliação subjetiva)
• Casos incomuns ou complexos: Tratados mal (Pontuação) vs. Tratados bem (Avaliação subjetiva)
• Auditabilidade da regra aplicada: Total (Pontuação) vs. Parcial (Avaliação subjetiva)
• Dados necessários para construir: Substanciais (Pontuação) vs. Nenhum (Avaliação subjetiva)

A estrutura realista para a maioria dos credores não é nem uma nem outra. A pontuação lida com o volume — empréstimos pequenos, tomadores recorrentes, produtos padronizados — e a avaliação subjetiva lida com os encaminhamentos, com os tomadores maiores de primeira vez e com as exceções. Decidir quais empréstimos seguem qual caminho é uma decisão de política e, em geral, é um primeiro projeto melhor do que tentar atribuir pontuação a tudo.

O que fazer antes de ter dados suficientes

Um credor com 800 empréstimos e 40 inadimplências não consegue construir um scorecard estatisticamente válido e, ao construir um mesmo assim, produz um modelo que codifica ruído com aparência de rigor. A sequência que funciona:

1. Escreva as regras de política primeiro. Fatores eliminatórios rígidos e critérios de elegibilidade, aplicados de forma consistente. Isso não é pontuação, mas oferece a maior parte do benefício de consistência imediatamente.
2. Capture os dados de que você precisará mais tarde. Toda característica que você possa querer modelar precisa ser registrada no momento da solicitação, em campos estruturados, a partir de agora — inclusive nas solicitações que você recusar. Um modelo construído apenas com empréstimos aprovados é cego para os solicitantes que você rejeitou, e essa lacuna não é recuperável retroativamente.
3. Defina o que é inadimplência e registre a situação de atraso de forma consistente para que o desempenho seja mensurável quando chegar a hora.
4. Comece com score comportamental para clientes recorrentes, em que os dados são seus e chegam mais rápido.
5. Construa o scorecard de solicitação quando houver um volume suficiente de empréstimos maturados com resultados reais de inadimplência.
6. Recalibre, e continue recalibrando.

Estratégia de ponto de corte

O ponto de corte, não o modelo, determina o resultado do negócio. Movê-lo é trocar volume por perda, e essa troca é a decisão efetiva.

Números ilustrativos para uma carteira:

• Ponto de corte 50: 78% de aprovação, 9,5% de inadimplência entre os aprovados
• Ponto de corte 60: 64% de aprovação, 6,2% de inadimplência entre os aprovados
• Ponto de corte 70: 47% de aprovação, 3,8% de inadimplência entre os aprovados
• Ponto de corte 80: 29% de aprovação, 2,1% de inadimplência entre os aprovados

Não existe linha correta. O ponto de corte certo é aquele que maximiza o lucro considerando a margem do produto, o custo de aquisição do cliente, o custo de cobrança e o apetite do credor — e um produto de margem alta e prazo curto pode aceitar racionalmente uma taxa de inadimplência que arruinaria um produto garantido de margem baixa.

O conjunto de troca é a lente útil ao mudar um ponto de corte ou substituir um modelo: não quantos solicitantes são afetados, mas quais deles. Um novo modelo que aprova o mesmo número de empréstimos enquanto troca uma fatia de contas ruins por uma fatia de contas boas melhora a carteira sem alterar em nada o volume.

Como medir se um scorecard funciona

Discriminação — a capacidade do modelo de separar bons de maus — costuma ser reportada como o coeficiente de Gini, estatística KS ou AUC. Quanto maior, melhor; os três se movem juntos, e o que é considerado aceitável depende muito da carteira e dos dados disponíveis; um scorecard de microcrédito com histórico limitado não alcançará a discriminação de um modelo maduro de crédito com garantia e não deve ser julgado por esse padrão.

Duas falhas são mais comuns do que uma discriminação ruim no momento da construção:

Deriva populacional. Os solicitantes que chegam hoje diferem da amostra de desenvolvimento — novo canal, novo produto, nova geografia, novo marketing. O monitoramento da estabilidade da população detecta isso, e é o motivo mais frequente pelo qual um scorecard que validou bem se degrada em produção.

Deriva de calibração. O ordenamento ainda funciona, mas as taxas de perda associadas a cada faixa mudaram, geralmente porque as condições se alteraram. O scorecard ainda está ordenando corretamente, enquanto o ponto de corte se tornou errado silenciosamente.

Ambas são detectadas pelo monitoramento, e o monitoramento é a parte do scoring que é construída por último e abandonada primeiro.

Riscos e limitações

Discriminação por proxy. Um modelo que exclui características protegidas ainda pode discriminar por meio de variáveis correlacionadas a elas — localização, tipo de aparelho, padrões de nome, empregador. Isso acontece sem que ninguém tenha essa intenção, e só é detectado ao testar deliberadamente os resultados entre grupos.

Explicabilidade e ação adversa. Muitas jurisdições exigem que um solicitante recusado seja informado do motivo. Um scorecard baseado em pontos pode responder diretamente a isso identificando quais características custaram mais pontos. Modelos de aprendizado de máquina mais complexos nem sempre conseguem fazer isso sem trabalho adicional, o que é uma restrição regulatória real, e não um inconveniente técnico.

Dados autorrealizáveis. Os solicitantes que você recusa não geram dados de desempenho; por isso, o modelo nunca aprende se estava certo sobre eles, e a população que ele observa se estreita com o tempo.

Manipulação do sistema. Uma vez que a regra é conhecida, ela passa a ser contornada — por tomadores, por agentes e por funcionários com metas de volume. Características baratas de manipular se degradam mais rapidamente.

Quebras estruturais. Um modelo construído com dados anteriores ao choque não descreve uma população posterior ao choque. Movimentos cambiais, colapso setorial, mudanças de políticas e pandemias quebram a premissa de que o passado prevê o futuro.

Falsa precisão. Uma pontuação de 68 parece mais exata do que "razoavelmente digno de crédito". Não é. A estimativa subjacente tem um intervalo de confiança que ninguém exibe.

Onde o credit scoring dá errado na prática

Comprar um modelo genérico e aplicá-lo sem alterações. Um scorecard desenvolvido para uma população, um produto e um mercado diferentes é uma hipótese inicial, não uma regra de decisão.

Baseando-se apenas em empréstimos aprovados. A inferência de rejeitados existe justamente porque esse viés é grave e invisível.

Nunca recalibrar. Um scorecard é uma fotografia de uma população em um momento. Abandonado por quatro anos, vira decoração.

Anulando constantemente. Se os analistas anulam uma grande parte das decisões, ou o modelo está errado ou as anulações estão erradas, e ninguém está monitorando qual dos dois. A taxa de anulação e o desempenho das anulações são os dois números que respondem a isso.

Pontuar sem uma base legal de proteção de dados. Os modelos de dados alternativos, em particular, são construídos com base em informações pessoais que exigem fundamentos legais para a coleta, o processamento e a retenção. Adaptar a conformidade depois da implantação é muito mais difícil do que projetá-la desde o início.

Confundir o score com a avaliação. O score estima a disposição e a probabilidade. Ele não verifica a identidade, não confirma a finalidade do empréstimo, não estabelece o valor nem a exequibilidade da garantia e não confere se os documentos de garantia são autênticos.