O setor de crédito e cobrança é e sempre foi baseado em dados. Afinal, são elementos essenciais na construção de uma oferta precisa, com riscos calculados e assumidos no momento de uma oferta e concessão. Assim, o setor sempre foi pautado por um desenho preditivo. Mas a chegada da Inteligência Artificial generativa carrega um grande potencial de transformação, permitindo análises preditivas ainda mais precisas, personalizadas e eficientes.
“É um tema, na minha visão, que pode talvez gerar o maior diferencial competitivo da história moderna”, definiu Roberto Jabali, diretor executivo do banco BV. O executivo foi um dos participantes do painel “Análise preditiva para otimização da concessão de crédito” do Seminário Credit and Collection Experience (CCX), realizado no dia 6 de agosto, em São Paulo.
Segundo Jabali, dentro do universo de crédito e cobrança, até pela natureza voltada à temática de dados, o uso da IA tradicional já é bastante presente no uso intensivo de dados, conferindo até mesmo um caráter pioneiro. “A IA generativa pode transformar a geração de valor das empresas, seja na previsão de inadimplência e, principalmente, no processamento de dados não estruturados, onde tem grande potencial de transformação”, explica.
Sofisticação de dados não estruturados
Para Cristiano de Souza Corrêa, professor de Finanças e Coordenador de Pós-Graduação em Negócios do Ibmec, e mediador do painel, a IA generativa representa um caminho sem volta. “Estamos apenas começando a concatenar essas informações para estruturar a tecnologia. A partir de agora, a questão dos dados não estruturados se torna muito mais relevante”.
“O que evolui com a IA generativa é a sofisticação de quais dados usar e combinar dados internos e de mercado”, explica Fabio Zveibil, VP de Crédito com Garantia de Auto e Home da Creditas. “No caso da Creditas, juntamos o comportamento do consumidor com o valor da garantia, liquidez do imóvel e outras informações com IA para tomar a melhor decisão – que precisa ser a melhor possível tanto para a empresa quanto para o cliente. Os dados sempre estiveram aí, mas ainda temos muitos passos para sofisticar, com a IA generativa complementando a jornada de atendimento e contratação”.
Novos modelos preditivos para novos dados
Dada essa capacidade da IA generativa, é possível dizer que a tecnologia é capaz de trazer maior confiança para os modelos preditivos das empresas de crédito e cobrança? Segundo Kleber Hiro Yokoyama, gerente de risco da Solfácil, há diversos caminhos para a criação de modelos mais eficientes.
“Achar algoritmos melhores, que já são realidade, oferecem ganhos, mas não tanto quanto achar dados novos e melhores, que são essenciais para a análise preditiva”, explica. “Na Solfácil, trabalhamos com modelos de análise setorial e, ainda assim, estamos sempre nos certificando se os dados utilizamos ainda fazem sentido”.
O executivo apresentou como exemplo safras passadas em que dados a respeito do auxílio emergencial durante a pandemia da Covid-19 eram importantes para a política de crédito da empresa, mas que hoje não fazem mais sentido para a realidade de crédito.
Além disso, Roberto Jabali acrescenta que um dos desafios para a modelagem é a quantidade de dados. “A IA generativa viabiliza a modelagem de dados sintéticos, permitindo uma calibração que antes não era possível. As empresas estão se especializando na geração desses dados, que têm funcionado para a validação de modelos preditivos”.
Os modelos estão mais confiáveis?
Uma vez que a Inteligência Artificial generativa é capaz não só de processas dados não estruturados como também gerar dados sintéticos, é possível dizer que os modelos preditivos impulsionados pela tecnologia também são mais confiáveis. “Mas por ser mais confiável, a empresa também aceita tomar mais risco”, pontua Fabio. “O cliente não vive de momentos, mas da jornada. No passado, só era possível fazer essa análise com base em dados. Hoje, já é possível colher dados da jornada”.
Para garantir essa confiabilidade, Kleber destaca dois pontos essenciais: métricas de desempenho comprovadamente eficientes e escolher muito bem a variável de resposta.
Como exemplo, ele questiona: o que a empresa considera como mal pagador? Pode ser que a análise seja feita a partir de uma janela de performance, monitorando o cliente ao longo de seis meses para ver se fica inadimplente. É possível escolher se será considerado mal pagador aquele que ficou inadimplente, mas conseguiu reverter, ou aquele que não ficou. “Com esses dois pontos bem calibrados, conseguimos validar a taxa de inadimplência prevista e realizada, checando se o modelo precisa de ajuste ou se poder chegar a uma conclusão mais precisa”.
Lições para modelos de análise preditiva
Kleber, da Solfácil, destaca que, entre os principais aprendizados da empresa em relação aos modelos de análise preditiva, está a percepção de que dados são o melhor investimento que a empresa pode fazer. Não só isso, mas também a inadimplência acontece de forma setorial, e por isso a importância de aprimorar os dados para isso. “E a terceira lição, por fim, é que é essencial falar sobre risco com toda a organização”, destaca. “É um grande marco quando o time comercial sabe o que é classe de risco, facilita a nossa vida”.
Já Fabio, da Creditas, aponta que há um ecossistema por trás dos dados, como Machine Learning e motores desenvolvidos. “O dado solto, por melhor que seja, não ajuda muito. É preciso ter uma plataforma robusta, e a implementação do pacote completo faz a diferença. Outro aprendizado é o feedback loop, atualizando políticas de dados de acordo com a performance. Por fim, com essa lógica da organização, a mentalidade. A empresa inteira precisa pensar com essa lógica”.
Roberto Jabali destacou uma leitura que fez recentemente sobre a IA generativa: “para um potencial transformação sem precedentes, vamos precisar de controles sem precedentes”. “Da mesma forma que a gente controla e critica os modelos, não vai ser suficiente para trazer confiança e conforto para esse novo universo”, explica. “É uma potência grande demais para difundirmos sem responsabilidade”.
