Pular para o conteúdo

Opinião com Base Científica

Score de crédito: o que realmente pesa e o que é mito bem contado

Modelos de risco não avaliam caráter, avaliam padrões estatísticos. Separamos o que a literatura de credit scoring sustenta do que circula como receita de bolo.

Ilustração do artigo: Score de crédito: o que realmente pesa e o que é mito bem contado
Por Rodrigo Sampaio, CFA2 min de leitura386 palavrasRevisado por especialista: Helena Braga
Compartilhar:

Score de crédito é uma estimativa de probabilidade. Ele responde a uma única pergunta: qual a chance de este tomador ficar inadimplente em um horizonte definido? Tudo o mais que se atribui ao score é interpretação popular.

O que a modelagem realmente usa

Modelos de credit scoring, desde os trabalhos clássicos de análise discriminante até os modelos de aprendizado de máquina atuais, se apoiam em variáveis com poder preditivo comprovado. Histórico de pagamento, tempo de relacionamento, nível de comprometimento de renda e estabilidade cadastral dominam a explicação.

Peso relativo aproximado dos grupos de variáveis em modelos de risco
Grupo de variáveisPeso relativoComentário
Histórico de pagamentoAltoMelhor preditor isolado
Comprometimento de rendaAltoCapacidade de pagamento
Tempo de históricoMédioAmostra maior, previsão melhor
Diversidade de produtosBaixoEfeito marginal
Consultas recentesBaixo a médioSinal de busca por crédito
Peso relativo aproximado dos grupos de variáveis em modelos de risco

Três mitos frequentes

  • Consultar o próprio score reduz a pontuação — não reduz; consultas do titular não são consultas de crédito
  • Ter muitos cartões derruba o score — o que pesa é a utilização e o pagamento, não a quantidade
  • Pagar uma dívida antiga restaura o score imediatamente — a recuperação é gradual porque o histórico é uma série temporal

Um modelo estatístico não pune comportamento; ele apenas identifica padrões que se repetiram na base histórica.

Princípio geral de modelagem de risco de crédito

O contraponto ético

Apesar da solidez estatística, existe um debate legítimo. Modelos treinados em dados históricos reproduzem desigualdades presentes nesses dados. Se determinado grupo teve historicamente menos acesso a crédito formal, o modelo tende a atribuir a ele menos histórico e, portanto, mais incerteza. A regulação de proteção de dados e as regras de cadastro positivo tentam mitigar isso, com sucesso parcial.

O que efetivamente funciona

Pagar em dia, manter a utilização do limite baixa em relação ao total disponível e evitar concentrar solicitações de crédito em janelas curtas. Não é glamouroso, mas é o que os modelos leem.

A conclusão prática é desconfortável para quem quer resultado rápido: score é função do tempo. Qualquer promessa de elevação imediata deveria ser tratada como sinal de alerta, não como serviço.

Fontes consultadas

Compartilhar:

Continue lendo