A crise de crédito global cria um cenário que motiva as instituições financeiras a gerar modelos de risco mais prospectivos, adaptáveis e responsivos às mudanças em tempo real
O atual cenário econômico exige que os bancos utilizem seus dados financeiros de forma apropriada para ajustar seus modelos e manter os indicadores de inadimplência sob controle, sem atrasar sua atividade principal: empréstimos.
O Sistema da Reserva Federal dos EUA (FED) aumentou sua taxa de referência quatro vezes neste ano, decisões que fizeram bancos centrais de outros países a alinharem-se a ele, resultando em um encarecimento do custo do crédito global.
Para os bancos, isso significa assumir o desafio de continuar a conceder empréstimos sem aumentar sua exposição ao risco e, para isso, eles têm seus dados à sua disposição para melhorar sua análise de crédito.
O desenho de modelos de risco de crédito baseados em sistemas legados está demonstrando deficiências quando se trata de automatizar fluxos de trabalho e análises de informações, que, muitas vezes, são hospedadas em diferentes servidores, sem a devida etiquetagem, referência cruzada e exploração.
Com isto em mente e com o objetivo de realmente capacitar a tomada de decisões, as organizações financeiras precisam de previsões mais rápidas e mais voltadas para o futuro. Também exigem um melhor gerenciamento de seus dados, integrando-os em servidores ágeis na nuvem, onde os padrões comportamentais e transacionais dos clientes podem ser identificados e destacados.
Os grupos financeiros podem confiar na verificação cruzada de informações entre seus diferentes negócios para coletar múltiplas fontes de dados, como o volume de transações, compras, economias e seguros contratados pelos clientes e, assim, gerar seus próprios perfis de crédito
Por exemplo, o neobanco brasileiro Nubank tem um algoritmo chamado Betty, cuja capacidade de avaliar dados transacionais ajuda mais pessoas a ter uma chance de solicitar um cartão de crédito Nu. Inicialmente, Betty obtém informações das agências de crédito tradicionais, depois usa o aprendizado por máquina para traçar o perfil se o cliente paga suas taxas pendentes em outras instituições dentro do prazo. Este indicador abre a possibilidade de melhorar a pontuação de crédito.
Este modelo de risco inteligente pode ser ajustado para potencialmente reduzir a inadimplência ou multas por atraso e qualificar consistentemente os candidatos. . O motor precisa ser ajustado ativamente para ser sincronizado com alarmes em tempo real, já que o padrão tradicional de análise de crédito não é mais suficiente.
Embora o uso de agências de crédito seja um passo inicial, diferentes empresas financeiras concordam que ele não é suficiente nem totalmente adaptado à realidade econômica de hoje.
Aqui são protagonistas os trabalhadores da economia colaborativa (gig economy) e os profissionais freelancers, que, geralmente, enfrentam obstáculos no acesso às agências de crédito..
As plataformas de autoemprego cresceram dez vezes na última década e é urgente que os bancos adaptem seus modelos de risco e atendam a este setor. A plataforma global de transporte DiDi, por exemplo, leva em consideração a história dos viajantes e motoristas para conceder empréstimos de até US$ 1.450 financiados pela própria empresa. Na avaliação, o tempo gasto utilizando o aplicativo e a frequência das viagens é fundamental.
Na América Latina, fintechs como Lana, Ábaco e Migrante têm como alvo trabalhadores em plataformas como Rappi, Pedidos Ya e Uber, a fim de fornecer-lhes empréstimos para a compra de motocicletas ou carros, os meios de trabalho da gig economy.
Por sua vez, os bancos também podem obter informações sobre os candidatos de fontes alternativas e não apenas de seus servidores. Indicadores alternativos, como pagamentos de aluguel, contas telefônicas, pagamentos mensais às escolas infantis são elementos que podem nos dar uma visão mais completa do comportamento financeiro das pessoas. E é tarefa dos bancos gerar a capacidade tecnológica para agrupar, analisar e aumentar o valor desses dados.
A tecnologia permite que os dados bancários gerem perfis de crédito apropriados para cada cliente. É assim que os canais digitais podem acelerar a aprovação e o depósito de um empréstimo personalizado.
Esta automação exige que os bancos implementem tecnologias ágeis e robustas com inteligência artificial para identificar a quem emprestar, quanto emprestar e a taxa de juros a ser aplicada.
Para atingir este nível, é essencial ter um sistema adequado de Know Your Client (KYC) e um efetivo onboarding, que permita conhecer e cruzar informações entre a identidade e o histórico financeiro dos candidatos
Esta é a única maneira dos bancos ajustarem sua poderosa geração de dados e torná-los mais ágeis na entrega de empréstimos, algo que a economia de hoje precisa.
Link copiado
Preencha o formulário que um de nossos consultores entrará em contato.
