Score de crédito e risco com dados: como funciona

Um número entre 0 e 1000 decide quem entra e quem fica de fora#

Quando alguém pede um cartão, financia um carro ou solicita um limite, existe um número que decide, em segundos, se a proposta segue ou para. Esse número é o resultado de um score de crédito e risco com dados: um modelo estatístico que estima a probabilidade de o cliente não pagar dentro de uma janela futura. Não é feeling do gerente. É a saída de um modelo treinado sobre o histórico de milhares de clientes que já pagaram ou não, traduzida numa escala que a operação usa para aprovar, negar ou pedir garantia. A pergunta é sempre a mesma: qual a chance de essa pessoa ficar inadimplente nos próximos meses.

Este artigo mostra, sem enrolação, como esse score é construído de ponta a ponta: as variáveis, a escolha entre regressão logística e gradient boosting, a calibração e o ponto de corte, a validação com KS e ROC, a explicabilidade e o contexto de Banco Central e LGPD. E sou honesto sobre viés, o risco mais subestimado da área.

Um score de crédito e risco com dados começa nas variáveis, não no algoritmo#

A qualidade do score é decidida antes do algoritmo, na escolha e no preparo das variáveis. Elas se dividem em três grandes famílias, e um modelo bom quase sempre combina as três.

Tipo de variável	O que descreve	Exemplos comuns
Cadastral	Quem é o cliente no momento da proposta	Idade, renda declarada, tempo de emprego, região
Comportamental	Como o cliente se relaciona com você ao longo do tempo	Histórico de pagamento, uso de limite, saldo médio, atraso passado
Bureau	O que o mercado sabe sobre o cliente	Consultas recentes, negativações, dívidas em outras instituições

As cadastrais são a foto do cliente no instante em que ele pede o crédito, fáceis de coletar mas envelhecem rápido. As comportamentais são o ouro do modelo, porque quem já é seu cliente deixa um rastro de como paga, como usa o limite e como reage a um aperto. As de bureau, vindas de Serasa, Boa Vista e afins, completam o quadro com o que acontece fora do seu radar, incluindo dívidas que o cliente não conta.

O trabalho pesado não é estatística, é engenharia de dados: essas variáveis nascem em sistemas diferentes e precisam virar uma visão única por cliente, no tempo certo. E há uma armadilha silenciosa: a variável precisa refletir o que se sabia antes da decisão de crédito, nunca depois. Usar informação que só apareceu após a inadimplência, o chamado vazamento de dado futuro, faz o modelo parecer excelente no teste e desabar em produção. É o erro mais caro em projetos de score.

Regressão logística por explicação, gradient boosting por desempenho#

Escolhido o conjunto de variáveis, vem a decisão do modelo. No crédito, dois algoritmos dominam a conversa, e a escolha entre eles é menos sobre moda e mais sobre um trade-off concreto entre explicabilidade e desempenho.

A regressão logística é o cavalo de batalha histórico do crédito. Ela estima a probabilidade de inadimplência como uma combinação linear das variáveis, e sua virtude é a transparência: cada variável tem um coeficiente, e dá para dizer o quanto cada fator empurra o score para cima ou para baixo. É a base da técnica de scorecard, em que as variáveis viram faixas com pesos que somam pontos. Regulador entende, auditor entende, e o cliente que teve o crédito negado pode receber uma explicação real. O custo é que ela captura mal relações não lineares.

O gradient boosting, em implementações como XGBoost, LightGBM ou CatBoost, entrega, em geral, poder preditivo maior. Ele monta centenas de árvores de decisão que corrigem os erros umas das outras e captura interações que a regressão logística ignora. O preço é a opacidade: é um modelo de caixa mais fechada, e explicar por que um cliente foi reprovado exige ferramentas adicionais.

Critério	Regressão logística	Gradient boosting
Poder preditivo	Bom	Em geral, maior
Explicabilidade	Alta, nativa	Baixa, precisa de apoio
Captura de não linearidade	Fraca	Forte
Aceitação regulatória	Consolidada	Exige justificativa extra
Facilidade de manutenção	Alta	Média

Na prática, muitas instituições rodam os dois: o gradient boosting como teto de desempenho, e a regressão logística, ou um scorecard, para as decisões que precisam ser defendidas ponto a ponto. Não existe resposta única, existe o que o seu contexto regulatório e a sua operação conseguem sustentar. Quem quer levar o modelo de experimento a produto encontra esse caminho em analytics avançado.

Calibração e ponto de corte são decisões de negócio, não de código#

O modelo entrega uma probabilidade de inadimplência, um número entre 0 e 1. Duas coisas precisam acontecer antes de ele virar decisão.

A primeira é a calibração. Um modelo bem calibrado é aquele em que, entre os clientes com probabilidade estimada de 10 por cento de inadimplência, cerca de 10 por cento de fato ficam inadimplentes. Parece óbvio, mas nem todo modelo com boa ordenação é bem calibrado. O gradient boosting, em particular, costuma precisar de um ajuste posterior para as probabilidades baterem com a realidade. Sem calibração, o número absoluto de risco mente, e a precificação e a provisão que dependem dele saem erradas.

A segunda é o ponto de corte. O score ordena os clientes do menos ao mais arriscado, mas alguém precisa traçar a linha que separa aprovado de reprovado. Essa linha não é uma verdade estatística, é uma decisão de negócio que equilibra dois erros opostos:

• Corte alto: você aprova pouca gente, a carteira fica limpa, a inadimplência cai, mas deixa dinheiro na mesa recusando bons pagadores.
• Corte baixo: você aprova muita gente, o volume cresce, mas a inadimplência sobe e come a margem.

Não existe corte certo em abstrato. Existe o corte que otimiza o resultado dado o apetite de risco, a taxa cobrada e a perda esperada em caso de calote. Muitas vezes não é nem um corte único, mas faixas de score com ações diferentes, da aprovação automática no topo à recusa embaixo. Essa régua é do time de risco, não do cientista de dados, e é onde o modelo encontra a estratégia da empresa.

Sem KS e ROC, você não sabe se o score presta#

Antes de colocar um score em produção, você precisa provar que ele separa bom de mau pagador. Duas métricas são padrão de mercado no crédito.

A curva ROC e sua área sob a curva, a AUC, medem a capacidade do modelo de ordenar corretamente um bom e um mau pagador tomados ao acaso. Uma AUC de 0,5 é cara ou coroa, sem poder de discriminação, e quanto mais perto de 1, melhor a separação.

O KS, de Kolmogorov-Smirnov, é o preferido da área de crédito. Ele mede a maior distância entre a distribuição acumulada dos bons e a dos maus pagadores ao longo da escala de score. Um KS alto significa que, em algum ponto de corte, o modelo concentra os maus de um lado e os bons do outro. É intuitivo para quem opera, porque conversa diretamente com a escolha do ponto de corte.

Além dessas duas, um bom processo olha estabilidade ao longo do tempo, com o índice PSI para detectar quando a população mudou, e valida o desempenho em uma base fora do tempo de treino. Modelo testado só no período de treino é promessa, não prova. Quando esses números viram acompanhamento contínuo em um painel de Power BI, o risco deixa de ser auditado uma vez por ano e passa a ser monitorado toda semana.

Explicabilidade não é luxo, é exigência do crédito#

No crédito, ao contrário de outros problemas de dados, não dá para conviver com uma caixa preta. Quem tem crédito negado tem o direito de entender o porquê, e o regulador tem o direito de auditar o critério.

É por isso que a regressão logística sobrevive mesmo quando o gradient boosting entrega mais desempenho: ela explica cada decisão por construção. Quando a instituição opta por um modelo mais complexo, precisa acoplar técnicas de explicabilidade, como o SHAP, que decompõe a contribuição de cada variável para o score de um cliente. Isso permite responder à pergunta que importa: por que este cliente foi reprovado. A explicabilidade sustenta o direito do cliente a uma justificativa, a defesa do modelo perante o regulador e a confiança do próprio time de risco no que o modelo faz.

Banco Central e LGPD definem as regras do jogo#

Score de crédito não vive num vácuo técnico. O setor é regulado pelo Banco Central, que estabelece regras de provisionamento, gestão de risco de crédito e requisitos de capital. O modelo não serve só para aprovar cliente: ele alimenta o cálculo de perda esperada e de provisão, e por isso precisa ser documentado, validado e governado.

Do lado do dado pessoal, a LGPD, a Lei nº 13.709/2018, se aplica de forma direta. O score é dado pessoal usado para decidir sobre uma pessoa, o que aciona pontos sensíveis da lei: base legal definida, finalidade clara e o direito do titular de solicitar revisão de decisões automatizadas. Na prática, o que costuma pegar não é o modelo, é a governança em volta: quem acessa os dados, como a base legal foi registrada, e se a instituição consegue explicar e revisar uma decisão quando o cliente pede. Colocar isso de pé desde o início é mais barato que remendar depois, e faz parte de qualquer projeto sério de soluções de dados no setor financeiro.

Onde os modelos de crédito falham, e viés é o pior deles#

Prometer que um score resolve o risco sozinho é desonesto. Vale conhecer os limites.

O mais grave é o viés. Um modelo de crédito aprende com o histórico, e o histórico carrega as decisões, boas e ruins, que a instituição tomou no passado. Se certas regiões, perfis ou grupos foram sistematicamente sub-atendidos, o modelo pode perpetuar esse padrão, negando crédito a quem pagaria só porque se parece, nos dados, com quem foi historicamente recusado. Pior: variáveis aparentemente neutras, como CEP ou tipo de trabalho, podem funcionar como procuração para atributos sensíveis, reproduzindo discriminação sem que ninguém tenha programado isso. É risco jurídico e reputacional, não hipótese acadêmica. Tratar viés exige teste ativo de disparidade entre grupos, não confiança cega em que o modelo é objetivo porque é matemático.

Há outros limites concretos:

• O modelo envelhece: um score treinado em um cenário de juros e emprego aprende aquele cenário. Quando a economia vira, o padrão histórico perde valor e o modelo precisa ser retreinado.
• Causa fora do dado: quem fica inadimplente por um evento imprevisível, desemprego, doença, separação, não deixou sinal prévio. Nenhum modelo captura o que ainda não aconteceu.
• Otimizar a métrica errada: um modelo pode ter KS excelente e ainda destruir margem se o corte foi calibrado sem olhar a economia da carteira. Acurácia não é lucro.

Nada disso invalida o esforço. Score de crédito é uma das aplicações mais maduras e comprovadas de dados nos negócios. Só não é mágica, e um fornecedor que promete um modelo perfeito e sem viés é o primeiro risco que você deveria classificar como alto.

Perguntas frequentes#

Qual a diferença entre application score e behavior score? O application score avalia quem está pedindo crédito pela primeira vez, usando dados cadastrais e de bureau, já que não há histórico do relacionamento. O behavior score avalia quem já é seu cliente, usando o comportamento observado ao longo do tempo, e por isso costuma ser mais preciso. Muitas instituições usam os dois, cada um no momento certo da jornada.

Regressão logística ou gradient boosting: qual escolher? Depende do que você precisa defender. A regressão logística explica cada decisão por construção e tem aceitação regulatória consolidada, ao custo de menor poder preditivo. O gradient boosting em geral prevê melhor, mas exige ferramentas de explicabilidade. Uma abordagem comum é usar o gradient boosting como referência de desempenho e um modelo explicável para as decisões que precisam ser defendidas ponto a ponto.

O que KS e ROC medem, e por que os dois? A curva ROC, resumida pela AUC, mede a capacidade geral do modelo de ordenar corretamente um bom e um mau pagador. O KS mede a maior separação entre as distribuições de bons e maus ao longo da escala de score, o que conversa diretamente com o ponto de corte. No crédito, o KS é o mais citado por ser intuitivo, mas os dois se complementam.

Como se define o ponto de corte de aprovação? É uma decisão de negócio, não estatística. Ele equilibra o custo de recusar bons pagadores contra o de aprovar maus pagadores, considerando taxa cobrada, perda esperada em caso de calote e apetite de risco. Muitas operações usam faixas de score, com aprovação automática, análise manual e recusa, em vez de uma linha única.

O score de crédito pode ser enviesado ou discriminatório? Sim, e esse é um risco real. O modelo aprende com o histórico e pode perpetuar padrões de exclusão que já existiam nas decisões passadas. Variáveis aparentemente neutras podem funcionar como procuração para atributos sensíveis. Por isso um projeto sério testa ativamente a disparidade de resultado entre grupos, em vez de assumir que o modelo é justo por ser matemático.

O que a LGPD exige de um modelo de score? Como o score é dado pessoal usado para decidir sobre uma pessoa, a LGPD, Lei nº 13.709/2018, exige base legal e finalidade claras e garante ao titular o direito de solicitar revisão de decisões automatizadas. Na prática, exige governança de acesso, registro da base legal e capacidade de explicar e revisar uma decisão quando o cliente pedir.

Onde a Fynx entra#

Um score de crédito dá certo quando três coisas andam juntas: uma base confiável que consolide dados cadastrais, comportamentais e de bureau, um modelo honesto e validado com KS e ROC, e a governança de explicabilidade e LGPD que o regulador exige. A parte difícil raramente é o algoritmo, é a integração dos dados e a disciplina de manter o modelo vivo e livre de viés. Se você quer estruturar isso do jeito certo, fale com a gente.