Roger Madeira: Porque a queda dos juros vai exigir o uso massivo e parametrizado de dados não estruturados na análise de crédito no Brasil

Risco & Recompensa, 27/03/2017

O governo decidiu mexer nos juros do rotativo do cartão de crédito, tentando impulsionar o consumidor a comprar mais e assim, reaquecer a economia indireta e artificialmente. Aonde isso pode nos levar?

Primeiro, vamos ver por que nossas taxas de juros são tão altas. Resumidamente, as razões são:

  • Inflação;
  • Taxa Selic;
  • Spread bancário;
  • Custo dos Bureaus para os bancos;
  • Cobrança de TAC ou Taxa de Análise de Crédito;
  • Incremento de PDD ou Provisões para Devedores Duvidosos.

Essa atuação nos leva ao canibalismo financeiro e à sociopatia econômica praticada pelos maus agentes bancários, ou seja, instituições financeiras que ambicionam o lucro massivo e exagerado, às custas da população que está na base da pirâmide, as classes C/D/E, que correspondem à muito mais da metade da população brasileira. Essas razões somadas, compõem as elevadas taxas de juros praticadas no país para todos os produtos de crédito, cartão de crédito, financiamento de veículos, cheque especial, CDC, financiamento imobiliário, etc.

Resumindo, o pobre é sugado pelas taxas de juros do banco, que gasta bilhões com uma análise de crédito ineficiente, superficial e extremamente cara, para decidir se concede ou não o crédito.

Vamos fazer uma conta bem rápida:

  • 500 pessoas foram ao banco pedir um empréstimo;
  • O banco consultou os CPFs desses 500 em 3 bureaus de crédito;
  • O banco gastou 6.000 reais com os bureaus;
  • O banco aprovou 50 pessoas;
  • O banco cobrou 300 reais de TAC de cada cliente aprovado;
  • O banco recebeu 15.000 reais, que pagou os 6.000 gastos e acumulou mais 9.000 reais de PDD para análise de crédito;
  • Os clientes aprovados pagaram a análise do crédito dos não aprovados.

E não para por aí. Por que o banco tem medo de conceder crédito para um cliente cuja análise de crédito resultou numa grande dúvida, ele aumenta o custo do dinheiro para esse cliente, ou seja, aumenta a taxa de juros e o Custo Efetivo Total (CET) do contrato.

É por isso que temos 60 milhões de pessoas negativadas nos bureaus de crédito (75% da PEA, nossa população economicamente ativa). O consumidor fica inadimplente por que é impossível ganhar a competição entre aumento de salário x inflação x desemprego x altas taxas de juros. É um círculo vicioso, um jogo nefasto, uma batalha que o consumidor jamais vencerá. Basta olhar pra cima, os EUA, para conhecermos uma realidade com 80% da população endividada, porém com uma qualidade de vida muito mais elevada quando comparada com a do brasileiro. Nos EUA, o dinheiro é mais barato e receber crédito é mais fácil, por que existe o compartilhamento de informações entre bancos e existe uma análise de crédito mais eficiente. O resultado disso é a maior oferta de crédito, taxas de juros minúsculas, bons pagadores, a economia fluindo e uma qualidade de vida muito melhor para todo mundo.

Quando um banco tenta solucionar a equação Risco de Inadimplência x Taxa de Juros x Custo dos Bureaus x PDD x TAC, o banco se depara com uma situação desesperadora, a qualidade/quantidade/veracidade/idade dos dados usados na avaliação do risco de crédito. De fato, somente as informações extraídas dos bureaus já não são suficientes para que a instituição financeira tenha uma base suficientemente bem lastreada e num nível de qualidade tal, que lhe permita não só precificar melhor todos os seus produtos de crédito, mas principalmente tomar a decisão mais eficiente e acertada, do ponto de vista do risco.

Esse é um dos problemas dos bancos, diretamente relacionado às elevadas taxas de juros: quanto mais cara e ineficiente a consulta aos bureaus, mais altas as taxas, a continuação do repasse do custo de avaliação de crédito para o cliente, mais ineficaz a análise (inteiramente baseada no que chamamos de “Old Weak Data” ou dados estruturados fracos, antigos, inválidos e defasados) e maiores os índices de inadimplência no Brasil. Os bureaus só conseguem nos dizer se alguém está ou não está negativado e se deixou de pagar alguma prestação nos últimos 5 anos.

Fatos são fatos e contra fatos não há argumentos: é fácil receber um empréstimo no Brasil. É só atender à “fórmula do fracasso” ou “equação da inadimplência”, como a conhecemos na Ásia:

I(+) + B(n) + D(0) = C

Esclarecendo a fórmula, I de Income ou seja, o usuário tem renda. B de Blacklisted, o usuário não está negativado nos bureaus. D de Debts, o usuário não tem um comprometimento de renda superior à PMT ou prestação mensal. C de Credit, ou crédito. Resumindo, se a avaliação de crédito do usuário atendeu a essas 3 variáveis, a pessoa recebe o empréstimo. Porém, poucos meses após o recebimento do empréstimo, o cliente não paga e é negativado. Por que? Simples, esse modelo de avaliação e concessão de crédito não evoluiu com o tempo, não evoluiu com a tecnologia e não melhorou a qualidade dos dados utilizados na análise. Checar se o cliente não está negativado nos últimos 5 anos não é garantia de que ele vá pagar no futuro.

Para a Wecash, a informação mais importante é o relacionamento que a pessoa tem com o dinheiro, se é positiva ou não. E para isso, obrigatoriamente, precisamos aumentar a quantidade/qualidade/veracidade/idade dos dados que vamos usar na avaliação de crédito. E precisamos de mais, precisamos parametrizar específica e acertadamente, os dados estruturados conjugados aos não estruturados, de acordo às políticas de crédito do produto de empréstimo em questão. Sem essa modelagem correta, o risco do cliente ficar inadimplente é enorme. Não tem como fechar a conta, quanto mais risco o banco assume e quanto mais caro o processo de avaliação de crédito, mais altos serão os juros do empréstimo a serem cobrados do consumidor.

A necessidade é simples: mais dados, mais dados de melhor qualidade, melhor parametrização dos dados. Só Renda, Nome limpo e capacidade de pagar a prestação mensal, apenas essas 3 variáveis da fórmula da inadimplência não são suficientes para uma análise de crédito mais profunda ou ampla. E enquanto a nossa análise de crédito esteja lastreada pela equação da inadimplência, continuaremos a pagar pelos maus pagadores, bancos e financeiras continuarão atuando com um wide range spread, continuarão lutando para aumentar PDDs e no final, teremos as mesmas altíssimas taxas de juros praticadas no mercado

Portanto, para baixar os custos da análise de crédito, precisamos de uma parametrização mais acertada dos dados estruturados conjugados com os dados não estruturados. Estas e uma série de outras alternativas possibilitariam a redução dos juros, do spread bancário, a eliminação total e completa da cobrança das tarifas de análise de crédito, a diminuição das reservas contra perdas ou as PDDs e o fim da cobrança do ônus do mau pagador sobre o bom pagador.

O resultado será o aumento da demanda por crédito, menores perdas, menor inadimplência, maior conversão, menor risco e a garantia da manutenção dos lucros dos bancos.

Vivemos na chamada era da informação. As pessoas transformam informações privadas em públicas por livre e espontânea vontade. Portanto, por que ficarmos restritos a uma base de dados passiva que retorna uma informação fria, que mostra que uma pessoa deixou de pagar uma prestação de R$100 há três anos, quando a própria pessoa está nos dizendo em seu perfil do Facebook que acabou de fazer uma viagem a Paris? Mais do que isso, podemos ter acesso não apenas às redes sociais, mas também dados financeiros, identidade, endereço, e-commerce, cartão de crédito, dentre várias informações. A situação dessa pessoa mudou, ela não é a mesma de três anos atrás, seu endereço mudou, email mudou, telefone mudou, emprego mudou, imóvel, bairro, cidade, estado, nenhuma informação é mais a mesma. A mobilidade urbana está clara para todos os estatísticos do IBGE, por que não está clara para o sistema financeiro?

Vamos simplesmente nos negar a dar crédito a alguém por causa do seu passado? De um pequeno erro cometido por quem estava aprendendo a gerenciar dinheiro, cartão e cheque? E se essa pessoa simplesmente emprestou seu nome? A sociedade é dinâmica, a condição financeira do brasileiro mudou muito de 5 anos pra cá, sua condição financeira de ontem já não é a mesma de hoje, veja quanto uma pessoa gasta do seu limite do cartão de crédito por dia. Por que os bureaus olham apenas para o passado, quando o Relatório Wecash olha para o passado, fotografa o presente, conjuga tudo e cria modelos de projeção e predição de risco do futuro do cliente?

Uma combinação de tecnologias como Inteligência Artificial, Machine Learning, Computação Cognitiva, Modelos Computacionais de Predição de Risco, Blockchain, Big Data, Mineração de Dados, Psicometria e Computação em Nuvem já são capazes de nos mostrar, em questão de minutos, tudo o que há sobre alguém no Google, por exemplo. A colheita, correlação, validação e parametrização correta dos dados intangíveis ou não estruturados, pode ser traduzida na capacidade de transformar em score, uma quantidade gigantesca de dados extraídos de variadas fontes. Quantos pontos seriam adicionados ao score de um possível tomador de crédito, por exemplo, pelo fato dele ter ido viajar a Paris neste mês? Podemos converter dados não estruturados em score, dados extraídos de fontes nunca antes utilizadas

Quando calcularmos o valor da passagem aérea, da estadia e da alimentação em Paris, vemos o potencial nesse cliente, vemos maior relevância no valor que ele gastou, muito mais relevância do que sua negativação no bureau por ter deixado de pagar uma prestação de R$ 100 em 2014. Estamos falando do novo tipo de consumidor de serviços financeiros a partir de um diferente ângulo de análise, que saiba extrair mais dados, minerá-los, parametrizar tudo de forma psicológica, behaviorista, comportamental. E não simplesmente factual, circunstancial ou fortuita.

A Wecash possui a tecnologia capaz de lidar com dados estruturados conjugados com os dados não estruturados parametrizados num score somado a um modelo de projeção e de predição de risco, capaz de apontar com muito mais exatidão se a pessoa vai pagar o empréstimo ou não, mesmo estando negativada por 100 reais num registro de 2014. É assim que fazemos na Ásia e foi assim que nos tornamos líderes no mercado tido como o mais competitivo, complexo, perigoso politicamente e o mais denso, como é o mercado financeiro chinês.

Sabemos que a relevância de uma dívida de R$ 100 de 2014 não é assim tão grande. Aliás, numa avaliação de crédito, quando a instituição financeira apontar esse débito de 100 reais não pagos em 2014, basta o cliente quitar o valor junto ao credor, esperar alguns dias pela positivação do seu CPF junto ao bureau e a instituição financeira concederá o crédito. Onde está a relevância dessa negativação de 100 reais, se basta o cliente quitar a dívida para receber o empréstimo, o novo cartão de crédito ou o financiamento do veículo? É mais um jogo de dependência e de proteção ao mercado por parte do bureau de negativação do que relevância propriamente dita.

A pergunta fundamental é:

“Esse cliente, negativado em 100 reais junto ao bureau por uma dívida de 2014, vai me pagar de volta se eu liberar o empréstimo que ele solicitou?”

Que tal usar inteligência artificial e computação cognitiva para extrair do big data, os dados estruturados conjugados ao não estruturados, cruzá-los, validá-los e a partir de algoritmos de machine learning, criar um modelo de projeção financeira e de predição de risco, com o uso de psicometria e um score, para responder essa pergunta?

Não seria mais inteligente permitir que um conjunto de computadores poderosos, programados com uma modelagem de crédito personalizada, realizando em minutos a análise de risco de crédito e fazendo o trabalho de uma mesa de crédito com centenas de analistas? Não seria mais barato? Não seria mais rápido? Não seria mais eficiente?



Links