Modelos de escore de crédito usados no Brasil e casos de sucesso

Modelos preditivos mais usados no Brasil

Para o Application Score:

• Modelos Estatísticos: Regressão Logística com Weight of Evidence (WoE) e Information Value (IV).
• Modelos de Machine Learning: Gradient Boosting (XGBoost, LightGBM, CatBoost), Random Forests.
• Modelos de Deep Learning: Redes neurais densas, como Multilayer Perceptron (MLP).

Para o Credit Score:

• Modelos Estatísticos: Regressão Logística.
• Modelos de ML: Ensemble ML (XGBoost, CatBoost), Support Vector Machine (SVM), dados de Open Finance.
• Deep Learning: Autoencoders para detecção de anomalias, Transformers para dados tabulares.

Para o Behavior Score:

• Modelos Estatísticos: Modelos de regressão (Linear e Logística) com variáveis de comportamento para definição de risco e gestão de limites concedidos.
• Modelos de ML: Gradient Boosting, Random Forests, K-NN.
• Deep Learning: RNN e LSTM para séries temporais de dados transacionais; Graph Neural Network (GNN) para relacionamentos entre os clientes.

Para o Collection Score:

• Modelos Estatísticos: Regressão Logística para probabilidade de inadimplência | recuperação.
• Modelos de ML: Gradient Boosting e modelos de sobrevivência (survival analysis), Expainability (SHAP|LIME).
• Deep Learning: Redes neurais (com Atenção) para prever recuperação.

Casos nacionais de sucesso

Usando Modelos Preditivos: Banco do Brasil

• Antes: Usando modelos logísticos simples, um dos maiores bancos brasileiros viu as perdas financeiras subirem em sua linha de crédito rural.

• Alterações: O banco passou a combinar Regressão Lógistica com XGBoost, ajustados para atender a regulamentação da IFRS 9. Isso gerou um aumento na Curva AUC de 12%.

• Resultado: Previsão de perdas creditícias com maior margem de acerto, aumento nas renegociações de dívidas rurais e redução, parcial, da inadimplência na carteira rural.

Combinando Modelos Preditivos com IA Generativa: Creditas

• Uso da IA preditiva: Modelo XGBoost para análise do risco de crédito.

• Uso da IA Generativa: Uso de LLMs para simulação de cenários e melhoria da explicabilidade dos modelos (visando personalização da concessão de crédito e das renegociações e a geração de relatórios automáticos para fins de compliance).

• Resultados: Aumento na originação do crédito e redução de perdas financeiras no 2º trimestre de 2026. Adicionalmente, aumento na transparência regulatória através dos relatórios automatizados.

Análise de Caso: GP|PB

O uso indevido do cartão de crédito contribui para o aumento da inadimplência.

O GP|PB divulgou os resultados de suas linhas de negócios, chamando a atenção da imprensa e dos investidores para a revisão — para cima — dos números do seu banco, tanto das receitas como das perdas estimadas (essas últimas representando cerca de 40% das primeiras).

Tais revisões foram feitas devido ao aumento na taxa de inadimplência da linha de negócio, que passou de > 8%, do primeiro trimestre de 2026, para > 9%, no segundo trimestre do ano, causado, em sua maior parte, pelas dívidas nos cartões de crédito.

Implementação de escore de crédito mais robusto com ML, DL e IA Generativa

Usando os cases de sucesso acima, podemos identificar algumas oportunidades de melhorias na parte de modelagem de dados para essa instituição, visando a redução da inadimplência em cartões, a migração de clientes de maior risco para produtos garantidos e a estabilização das perdas creditícias.

Arquitetura experimental: CRISP-DM & Regulamentos do setor financeiro

1- Ingestão de Dados:

• Fontes internas: histórico de crédito, transações, limites de cartão, comportamento de pagamento.
• Fontes externas: Open Finance, bureaus de crédito, dados de seguros.
• Streaming: eventos em tempo real (compras, atrasos, renegociações).
• Ferramentas: Kafka, Spark Streaming, APIs Open Finance.

2 - Feature Engineering:

• Transformações clássicas: WoE e IV.
• Variáveis comportamentais: frequência de atraso, padrão de gasto, uso de limite.
• Variáveis alternativas: dados digitais (uso de app, geolocalização, recorrência de login).
• Ferramentas: Python (pandas, scikit-learn), Feature Store (Feast).

3 - Modelagem dos dados:

    Camada 1 – Scorecard Logístico:

• Regressão logística para compliance e interpretabilidade.
• Explicabilidade via WoE/IV.

    Camada 2 – Machine Learning Ensemble:

• XGBoost / LightGBM para maior poder preditivo.
• Random Forests para estabilidade.
• SHAP/LIME para explicabilidade.

    Camada 3 – Deep Learning:

• LSTM para séries temporais (dados transacionais no decorrer do tempo).
• Graph Neural Networks (GNNs) para relacionamentos entre clientes.
• Autoencoders para detecção de anomalias.

    Camada 4 – IA Generativa:

• LLMs para relatórios automáticos de compliance.
• Simulação de cenários de stress (ex.: alta de juros).
• Personalização de renegociação de dívidas.

4 - Validação e Governança:

• Frameworks regulatórios: IFRS 9, Resolução CMN 4.966, SR 11-7 (benchmark EUA).
• Testes: backtesting, stress testing, validação cruzada.
• Monitoramento: drift de dados, recalibração periódica.
• Ferramentas: MLflow, Evidently AI, dashboards internos.

5 - Deploy e Monitoramento:

• Infraestrutura: Kubernetes + APIs REST para servir modelos.
• Monitoramento em produção: métricas de AUC, KS, Gini, Acurácia, Precision, Recall, F1-Score.
• Feedback loop: atualização contínua com novos dados.
• Ferramentas: Azure ML, Databricks, Grafana.

Benefícios esperados para o GP|PB

• Redução da inadimplência em cartões de crédito.

• Maior precisão preditiva através da combinação de modelos Ensemble e Deep Learning.

• Explicabilidade regulatória com Scorecards e relatórios gerados por IA generativa.

• Eficiência operacional através de um pipeline automatizado e monitoramento contínuo dos modelos em produção.

• Diversificação do risco de crédito através do uso de dados de clientes com produtos mais consolidados (como seguros) e do Open Finance.