Variáveis dos Modelos de Credit Scoring

Outro dia estava discutindo a modelagem de crédito, no varejo, e queria aproveitar o tema para falar mais sobre os modelos de "Credit Scoring", que representam uma ferramenta fundamental no mercado financeiro, especialmente na gestão de riscos associada ao crédito, utilizando técnicas estatísticas (regressão) para analisar dados do cliente e/ou da operação de crédito.

Estes modelos visam atribuir pontuações às variáveis de decisão de crédito para diferenciar bons de maus créditos, sendo que esta nota resultante desta modelagem de Credit Scoring representa a probabilidade de inadimplência, que assim uma pontuação específica (ou ponto de corte) determina a aceitação ou rejeição de um crédito. Essa diferenciação é crucial para instituições financeiras na hora de decidir sobre a concessão de crédito.

Sempre bom lembrar de que a história deste conceito de Credit Scoring começou lá em 1945, ou seja, não é algo novo, com os modelos inicialmente focados no crédito ao consumidor, mas sua evolução sem dúvida está ligada à expansão do mercado de crédito e ao desenvolvimento de sistemas computacionais.

Os modelos de Credit Scoring se dividem em dois tipos principais: modelos de aprovação de crédito e modelos de escoragem comportamental (Behavioural Scoring). Os primeiros são usados para avaliar novos solicitantes de crédito, estimando a probabilidade de inadimplência. Já os modelos comportamentais são aplicados para clientes existentes, avaliando o risco com base em seu histórico de crédito e pagamentos.

O processo típico de Credit Scoring se inicia com a solicitação de crédito, seguida pela classificação do solicitante através de um sistema de pontuação (score).

A construção de um modelo de Credit Scoring envolve várias etapas, incluindo o planejamento e definições, identificação de variáveis potenciais, planejamento amostral, coleta de dados, determinação da fórmula de pontuação e estabelecimento do ponto de corte. Sendo que as técnicas estatísticas mais comuns utilizadas são a análise discriminante e a regressão logística.

Além de serem aplicados para pessoas físicas e jurídicas, os modelos de Credit Scoring têm evoluído para incorporar metodologias mais sofisticadas, como modelos baseados na teoria de carteiras e o uso de inteligência artificial, como redes neurais.

De forma resumida estas são as tradicionais etapas:

• Seleção de Dados: Identificação de variáveis relevantes que influenciam o risco de crédito.
• Modelagem Estatística: Uso de técnicas como regressão logística, árvores de decisão e redes neurais para construir o modelo.
• Validação e Ajuste: O modelo é testado e validado usando dados históricos, e ajustes são feitos conforme necessário.
• Implementação e Monitoramento: Após a implementação, o modelo é continuamente monitorado e atualizado para garantir precisão e relevância.

Os modelos de Credit Scoring oferecem vantagens significativas como:

• Redução de Riscos: Ao identificar potenciais inadimplentes, os modelos de Credit Scoring ajudam a reduzir perdas financeiras.
• Decisão Rápida e Objetiva: Estes modelos fornecem uma resposta rápida e objetiva, essencial em um ambiente de alta demanda por crédito.
• Padronização: Eles permitem uma padronização nas decisões de crédito, reduzindo o viés e a subjetividade.
• Segmentação de Clientes: Ajudam na segmentação de clientes de acordo com o risco, possibilitando estratégias de marketing e ofertas de crédito diferenciadas.
• Conformidade Regulatória: Em muitos países, a avaliação de risco de crédito é uma exigência regulatória, e os modelos de Credit Scoring facilitam a conformidade com estas normas.

No entanto, também apresentam desvantagens, como o custo de desenvolvimento, excesso de confiança nos modelos, falta de dados oportunos e risco de interpretação equivocada dos escores.

A análise de risco de crédito envolve normalmente uma série de variáveis que ajudam a compreender a solvabilidade e a confiabilidade do negócio, queria então ainda de forma genérica explorar algumas destas variáveis, destacando sua relevância no contexto de um modelo de Credit Scoring:

• Aspectos Financeiros e Operacionais: Situação Econômico-Financeira: Avalia a saúde financeira da empresa, considerando aspectos como lucratividade, ativos e passivos. Aqui estou buscando os seguintes aspectos: lucratividade consistente, crescimento de receita e alta liquidez, evitando os casos com prejuízos frequentes, receitas decrescentes e liquidez limitada.
• Grau de Endividamento: Mede a proporção de dívida em relação ao capital da empresa, indicando sua alavancagem financeira. Aqui estou buscando um cliente com baixo nível de dívida em relação ao capital da empresa ou sua receita, evitando assim aqueles com alto endividamento, especialmente se comparado com a receita ou o patrimônio.
• Capacidade de Geração de Resultados: Analisa a eficiência da empresa em gerar lucro e receita. Neste caso quero clientes com forte capacidade de gerar lucros e fluxo de caixa positivo, evitando os que têm baixa geração de lucros ou fluxo de caixa negativo.
• Fluxo de Caixa: Observa a entrada e saída de caixa, fundamental para manter a liquidez operacional. Queremos sempre clientes com fluxo de caixa estável e positivo, com capacidade de cobrir obrigações atuais, evitando os que têm um fluxo de caixa irregular ou negativo, indicando potenciais problemas de liquidez.
• Administração e Qualidade dos Controles: Avalia a eficácia da gestão e dos controles internos, que podem impactar a saúde financeira. Sempre bom ter clientes com uma gestão operacional eficiente, bons controles internos e transparência, deixando de lado aqueles que têm uma gestão ineficiente, controles internos fracos e falta de transparência.
• Pontualidade e Atrasos nos Pagamentos: Histórico de pagamento, incluindo atrasos, que pode indicar risco de inadimplência. Sempre buscar os clientes que têm histórico de pagamentos pontuais, e evitar ao máximo aqueles que têm um histórico de atrasos frequentes ou inadimplência.
• Contingências: Possíveis riscos ou eventos futuros que podem afetar a capacidade financeira. Buscamos os clientes com poucas ou nenhuma contingência significativa, e não aceitar os que têm muitas contingências ou riscos legais e financeiros.
• Setor de Atividade Econômica: Riscos associados ao setor em que a empresa opera. O básico é querer clientes que atuem em um setor estável ou em crescimento da economia, evitando os que estão em setores voláteis ou em declínio.
• Limite de Crédito: O máximo de crédito que pode ser concedido, baseado na avaliação de risco. Aqui os clientes precisam ter e usar seus limites de crédito de forma adequada à escala e suas necessidades, evitando os que têm uso excessivamente altos, indicando possível dependência do crédito.
• Natureza e Finalidade da Transação: O propósito do crédito, que pode variar em risco dependendo da natureza da operação. Bom buscar o tomador que tem uma finalidade clara para o uso deste crédito, alinhada com os objetivos da empresa, evitando os que têm finalidades especulativas.
• Características das Garantias: Avaliação da qualidade e liquidez das garantias oferecidas. Fundamental que tenham garantias sólidas, líquidas e de fácil realização, e evitar os que não têm isso, com garantias fracas, ilíquidas ou de difícil avaliação.
• Aspectos Estruturais e Contextuais: Localização: A localização geográfica pode influenciar as oportunidades e riscos de negócios. Buscar clientes com uma localização em região economicamente estável e com boas oportunidades de negócios, evitando os que estão em áreas com instabilidade econômica ou poucas oportunidades.
• Tempo de Constituição: Empresas mais antigas podem ter maior estabilidade. Importante buscar as empresas estabelecidas há um bom tempo com histórico de operações, tomando muito cuidado com uma empresa nova sem histórico comprovado.
• Natureza Jurídica: Tipo de entidade legal, que pode afetar a responsabilidade e a estrutura de crédito. Uma estrutura jurídica sólida proporciona transparência e é sinal positivo, mas por outro lado cuidado com estruturas complexas ou pouco claras.
• Tempo de Relacionamento com o Banco: Um longo relacionamento pode indicar confiabilidade. Sempre bom trabalhar com quem tem um relacionamento longo e positivo com o banco, tomando cuidado maior com os que têm este relacionamento recente ou histórico de problemas.
• Quantidade de Dirigentes: A estrutura de gestão pode influenciar a tomada de decisão e riscos. Algo para se olhar é se tem uma gestão diversificada com múltiplos dirigentes, ou se tem dependência de poucos, com concentração de poder em poucos dirigentes.
• Registro Cadastral da Empresa: Verificação de regularidade e histórico legal. Meio óbvio, mas querer sempre quem tem um histórico cadastral limpo e sem irregularidades, evitando ao máximo o cliente que tem um histórico de irregularidades ou problemas legais.
• Escolaridade do Sócio Dirigente: Pode influenciar a gestão e decisões empresariais. Buscar aqueles com alta qualificação e formação relevante, e experientes no segmento, evitando os que têm baixa qualificação ou formação não relacionada ao segmento.
• Idade do Sócio-Dirigente: Experiência de vida pode se correlacionar com a experiência de negócios. Buscar aqueles com uma experiência equilibrada com energia inovadora, e tomar mais cuidado com aqueles de idade muito jovem ou avançada, com potenciais implicações na gestão.
• Tempo do Sócio-Dirigente na Empresa: Estabilidade na liderança pode indicar gestão consistente. Olhar se tem uma liderança estável com longo tempo na empresa, ou se tem por outro lado uma alta rotatividade na liderança, o que não é um bom sinal.
• Restrição Cadastral do Principal Sócio-Dirigente: Verifica se há problemas legais ou financeiros que possam afetar o negócio. Busque sempre aqueles sem restrições cadastrais, e evite os que têm restrições ou problemas legais passados.

Essas variáveis fornecem uma visão ampla, incluindo sua saúde financeira, operacional, estrutura de gestão, histórico e contexto no qual opera. A combinação dessas informações em um modelo de Credit Scoring permite uma avaliação de risco mais precisa, ajudando as instituições financeiras a tomar decisões de crédito mais informadas e mitigar riscos potenciais.

A implementação de modelos de Credit Scoring no Brasil, assim como em muitos outros países, é regulada por normas específicas que visam assegurar uma gestão eficiente e responsável do risco de crédito, que no caso brasileiro, o Banco Central do Brasil (Bacen) estabeleceu em 1999 as diretrizes claras para a classificação do risco de crédito através da Resolução 2682, que definiu entre muitas coisas, os conjuntos de fatores que devem ser considerados tanto para pessoas jurídicas quanto para pessoas físicas na elaboração ou adoção de modelos de Credit Scoring, que são:

• Fatores Relativos ao Devedor e Seus Garantidores: Situação Econômico-Financeira: Avaliação da saúde financeira geral do devedor. Grau de Endividamento: Nível de dívida em relação à renda ou ao patrimônio do devedor. Capacidade de Geração de Resultados: Habilidade do devedor em gerar receitas e lucros. Fluxo de Caixa: Análise da entrada e saída de recursos financeiros. Administração e Qualidade dos Controles: Avaliação da gestão e dos sistemas de controle interno. Pontualidade e Atrasos nos Pagamentos: Histórico de pagamentos, incluindo pontualidade e eventuais atrasos. Contingências: Possíveis riscos futuros que possam afetar a capacidade de pagamento. Setor de Atividade Econômica: Riscos associados ao setor econômico em que o devedor atua. Limite de Crédito: Limite máximo de crédito disponível para o devedor.
• Fatores Relativos à Operação de Crédito: Natureza e Finalidade da Transação: Propósito e características do crédito solicitado. Características das Garantias: Avaliação da solvência e liquidez das garantias oferecidas. Valor: Montante total do crédito solicitado.

Esses fatores listados na norma são, digamos, básicos mínimos para assegurar uma análise de risco de crédito eficiente, com a inclusão desses fatores nos modelos de Credit Scoring, aumentando assim a precisão na previsão de inadimplência, ao mesmo tempo em que alinha as práticas de concessão de crédito às normas regulatórias.

A eficácia de um modelo de Credit Scoring depende significativamente da seleção e análise das variáveis usadas para prever a inadimplência. Queria então listar algumas das centenas de variáveis normalmente usadas nos modelos de varejo, entendendo sua importância e contribuição para a previsibilidade do modelo:

• Estado Civil do Cliente: Pode influenciar na estabilidade financeira e nas responsabilidades financeiras, afetando a capacidade de pagamento.
• Gênero do Cliente: Embora controverso, alguns estudos indicam diferenças de comportamento de crédito entre gêneros.
• Natureza da Atividade Econômica do Negócio: Diferentes setores têm diferentes riscos e potenciais de lucro, influenciando a capacidade de reembolso do empréstimo.
• Local de Residência do Cliente: Áreas geográficas podem ter diferentes níveis de risco econômico e estabilidade.
• Idade do Cliente: Idade pode correlacionar com estabilidade financeira, experiência de crédito e renda.
• Número de Dependentes Financeiros do Cliente: Mais dependentes podem significar maior pressão sobre os recursos financeiros.
• Receita Familiar Bruta: Indica o nível geral de renda disponível para pagamento de dívidas.
• Despesa Familiar Bruta: Altas despesas podem reduzir a capacidade de pagamento de novas dívidas.
• Resultado Líquido Familiar: Reflete a saúde financeira geral da família do solicitante.
• Receita Bruta do Negócio: Um indicador chave da saúde financeira do negócio.
• Despesa Bruta do Negócio: Despesas elevadas podem afetar a lucratividade e a capacidade de pagamento de dívidas.
• Resultado Líquido do Negócio: Lucro líquido é um indicador crucial da viabilidade do negócio.
• Resultado Líquido Total: Combina a saúde financeira pessoal e do negócio.
• Tempo de Funcionamento do Negócio: Negócios estabelecidos tendem a ter maior estabilidade financeira.
• Receita Bruta do Avalista: Avalistas com boa situação financeira aumentam a segurança do empréstimo.
• Despesa Bruta do Avalista: Despesas altas podem impactar a capacidade do avalista de honrar o compromisso.
• Resultado Líquido do Avalista: Indica a capacidade financeira do avalista de assumir a dívida, se necessário.
• Valor do Último Empréstimo: Histórico de empréstimos elevados pode indicar maior risco de endividamento.
• Valor da Parcela do Último Empréstimo: Parcelas maiores em empréstimos anteriores podem afetar a capacidade de pagamento.
• Número de Parcelas do Último Empréstimo: Mais parcelas podem indicar maior alavancagem financeira.
• Percentual de Endividamento: Rácio entre dívidas e renda, um indicador chave da capacidade de pagamento.
• Número de Créditos Anteriores com a Instituição: Um histórico de múltiplos créditos pode indicar dependência de crédito ou boa relação com a instituição.
• Histórico do Titular com a Instituição: Um bom histórico de crédito com a instituição pode indicar menor risco.
• Histórico do Avalista com a Instituição: Semelhante ao titular, um bom histórico do avalista pode reduzir o risco.
• Agente de Crédito Responsável pelo Empréstimo: A experiência e o histórico do agente podem influenciar a qualidade da avaliação de crédito.

Cada uma dessas variáveis contribui para um retrato mais completo do risco associado a um solicitante de crédito. A combinação e a ponderação dessas variáveis, realizadas através de técnicas estatísticas avançadas, permitem que o modelo de Credit Scoring preveja com maior precisão a probabilidade de inadimplência. Essa abordagem quantitativa reduz a subjetividade e permite decisões de crédito mais consistentes e eficazes.

Os modelos de Credit Scoring são amplamente utilizados no setor financeiro, mas também por muitas empresas que, de uma forma ou outra, também oferecem crédito.

Bancos utilizam Credit Scoring para avaliar a probabilidade de inadimplência de clientes em produtos de varejo, por exemplo, como cartões de crédito, empréstimos pessoais, veículos, etc., utilizando dados do solicitante, como histórico de crédito, renda, emprego, dívidas existentes e comportamento de pagamentos anteriores, para gerar um escore, que ajuda na decisão de aprovar ou recusar o crédito, e também com a quantificação deste risco de inadimplência, acaba também estabelecendo os patamares das taxas de juros.

Mas empresas que oferecem crédito direto ao consumidor, como lojas de departamentos com crediários, também usam Credit Scoring para decidir sobre a concessão de crédito a clientes, sendo que muitas vezes, neste caso, além dos tradicionais dados financeiros e informações demográficas, também se tem o comportamento de compra do cliente.

Algumas seguradoras usam modelos de Credit Scoring para avaliar o risco de inadimplência em apólices de seguro. Isso é especialmente comum em seguros de vida e de automóveis.

No microcrédito de varejo também se aplicam modelos de Credit Scoring para avaliar pequenos empréstimos, muitas vezes em ambientes com informações limitadas sobre os clientes. Nestes casos, o modelo pode ser adaptado para usar dados alternativos, como registros de pagamentos de contas de serviços públicos.

Para terminar, sem objetivo de querer aqui detalhar tecnicamente mais a fundo a modelagem, queria ao menos comentar sobre alguns dos conceitos técnicos normalmente usados, que quem trabalha na área precisa conhecer a fundo, mas que todos deveriam ao menos ter uma boa ideia, que vou tentar explicar abaixo de uma maneira didática, assim quando um especialista falar pelo menos não fica boiando com cara de paisagem:

• Modelos Lineares: Conceito: Modelos Lineares exploram relações aditivas entre variáveis preditivas e uma variável resposta. Regressão Linear: Uma das ferramentas estatísticas mais importantes, usada para encontrar padrões em grandes conjuntos de dados. Exemplo Prático: Relação entre altura dos pais e filhos; pais mais altos tendem a ter filhos mais altos. Aplicação no Credit Scoring: Usado para entender como diferentes variáveis (renda, histórico de crédito) afetam a probabilidade de inadimplência.
• Regressão Logística: Similaridade com Linear: Parecida com a Regressão Linear, mas focada em variáveis binárias (sucesso ou fracasso). Variável Binária: A variável resposta indica a ocorrência ou não de um evento, como bom ou mau pagador. Formulação Matemática: Usa a função logística para modelar a probabilidade de um evento acontecer.
• Função de Verossimilhança: Objetivo: Maximizar a probabilidade de observar a amostra dada. Metodologia: Utiliza o logaritmo da probabilidade binomial de uma variável resposta. Importância no Modelo: Ajuda a determinar os parâmetros que melhor se ajustam aos dados observados.
• Estimação dos Parâmetros: Processo: Os parâmetros do modelo são estimados para maximizar a função de verossimilhança. Método: Usado para encontrar a combinação de coeficientes que melhor explica a amostra observada.
• Função Logística: Característica: Produz uma curva em formato de ‘S’ ao invés de uma linha reta. Finalidade: Estimar a probabilidade de pertencimento a uma classe (por exemplo, bom ou mau pagador).
• Função de Erro (Entropia Cruzada): Uso: Compara o valor real com o valor previsto pelo modelo. Objetivo: Minimizar o erro entre a previsão e o valor real.
• Razão de Chances (Odds Ratio): Definição: Comparação das chances de um evento ocorrer em diferentes grupos. Interpretação: Valores acima, abaixo ou iguais a 1 indicam diferentes probabilidades do evento ocorrer.
• Teste Wald: Propósito: Testar se cada coeficiente do modelo é significativamente diferente de zero. Importância: Ajuda a entender quais variáveis são relevantes na previsão.
• Curva ROC: Função: Avaliar o desempenho do modelo em diferentes pontos de corte. Medição: Baseada em especificidade e sensibilidade do modelo.
• Método de Seleção das Variáveis: Abordagens: Incluem métodos como enter, forward, backward e stepwise. Objetivo: Identificar quais variáveis devem ser incluídas no modelo para maximizar seu poder explicativo.
• Critério de Informação de Akaike (AIC): Função: Selecionar o modelo mais adequado com base na função de máxima verossimilhança e no número de variáveis. Princípio: Prefere modelos com menor número de variáveis, evitando a superajustagem.

Esses conceitos formam a base para a criação de modelos de Credit Scoring eficientes, permitindo uma avaliação precisa do risco de crédito com base em variáveis estatísticas e matemáticas.

Se teve a paciência de ler até aqui, tenho certeza de que agora ao menos já tem uma boa ideia do que se trata. Espero ter ajudado.