Como transformar a análise de crédito em um processo mais inclusivo e menos discriminatório?

Ana Bárbara Tavares Lopes (Head de Riscos e Crédito Digital do Pravaler)

De todas as mazelas que atingem o Brasil, a desigualdade de oportunidades talvez seja a que mais me preocupa. Em um mundo onde ter renda é um dos fatores primordiais para se ter acesso, ocupar o oitavo lugar no ranking de países mais desiguais do planeta significa privar milhões de pessoas de vários direitos básicos – inclusive do direito à educação.

Aqui no Pravaler, trabalhamos todos os dias para mudar esse cenário, servindo como facilitadores para que cada vez mais pessoas possam ter acesso a crédito e investir em educação de qualidade. A gente costuma dizer que aqui, crédito é ponte, e não barreira.

No entanto, para que isso seja uma prática e não apenas uma frase de efeito, nós – conduzo e me coloco como parte de uma equipe de risco e análise de crédito – precisamos trabalhar dia após dia para que as políticas sejam cada vez mais inclusivas e menos discriminatórias, cuidando também para que nosso risco continue controlado.

Um desafio e tanto.

Seguir políticas de crédito conservadoras seria muito mais fácil. Bastaria analisar as informações básicas e os dados financeiros dos nossos possíveis clientes para decidir ou não pela concessão. O problema é que esse tipo de análise potencialmente reforça a desigualdade. Ao utilizar somente informações generalistas, como CEP e histórico financeiro, por exemplo, para determinar bons ou maus pagadores, há uma tendência discriminatória de negar crédito para populações periféricas e jovens que não têm comportamento financeiro já observado na sociedade.

E se a gente acredita que a educação é a maneira mais eficaz e segura de mudar realidades e, consequentemente, transformar o mundo, desconsiderar o crédito para quem sempre teve menos oportunidades é combater a nossa própria crença.

Por isso, eu gosto de pensar que, antes de lidar com modelagem de risco de crédito, eu lido com pessoas. E essas pessoas têm ambições e sonhos. Valores e necessidades. Destinos e histórias que podem ser diferentes se eu e a minha equipe fizermos um trabalho consciente e dedicado.

Mas o que seria esse trabalho? Como transformar a análise de crédito em um processo mais inclusivo e menos discriminatório na prática, mantendo os padrões de risco adequados para a empresa?

Para tentar responder a essa pergunta tão importante quanto complexa, vou destrinchar aqui cinco pontos principais.

1. Coletar, armazenar e tratar dados com respeito e atenção

Pesquisas, interações, compras: hoje em dia, tudo o que fazemos em ambiente virtual gera dados que, com o consentimento do consumidor e em atendimento aos padrões vigentes, podem ser tratados para virar informação. Há 20 anos o Pravaler trabalha com financiamento estudantil – ou seja, temos um histórico riquíssimo de dados e informações sobre os perfis, as necessidades e as complexidades do estudante brasileiro. Nos apropriamos de informações específicas do nosso negócio, que são, sem dúvida, muito relevantes para diferenciação do nosso modelo.

2. Testar novas variáveis

De forma complementar a variáveis tradicionais de análise de crédito, a tecnologia hoje nos permite tratar um conjunto muito mais amplo de variáveis e com muito mais velocidade. Quanto mais variáveis conseguirmos incluir na análise, melhor pra gente, pois ampliamos a nossa carteira de clientes com um bom padrão de inadimplência, e melhor para o público, que pode ter acesso facilitado ao crédito estudantil.

Um exemplo de variável não convencional são as variáveis digitais. Se na análise de crédito tradicional leva-se em consideração onde a pessoa mora – ou seja, o seu refúgio no mundo real -, as novas práticas de análise de crédito procuram entender também qual é o “portal de entrada” dessas pessoas para o mundo virtual – ou seja, qual tipo, modelo e tamanho de dispositivo elas usam para acessar a internet.

É um parâmetro que não deve ser tratado como definitivo, mas que, sem dúvidas, pode ajudar na tomada de decisão.

3. Segmentar tanto quanto for possível

Toda generalização pode ser imprudente. Por outro lado, num universo de milhares de pessoas, é impossível ir a fundo nas particularidades de cada um. A saída, portanto, me parece estar na segmentação, que pode ocorrer de diversas maneiras. Hoje as técnicas de machine learning trazem muitas oportunidades nesse sentido, depende de nós nos apropriamos delas. É da intersecção de várias segmentações que sai uma análise de crédito mais precisa e justa.

4. Usar modelos de crédito alternativos

Qualquer ferramenta que nos leve a conhecer melhor o nosso público é muito bem-vinda. E quando falamos de público jovem, sem experiência financeira, esse trabalho ganha ainda mais importância. Há um ano temos parceria com a Innovative Assessment, uma startup israelense que desenvolveu um modelo a partir de um teste de personalidade exclusivamente voltado para análise de crédito. Com a aplicação desse teste, que pode ser facilmente respondido pelo usuário em poucos minutos, conseguimos conhecer melhor o comportamento dos estudantes em situações financeiras cotidianas, e com isso atribuir-lhes uma pontuação. O resultado dessa modelagem nos permitiu aprovar 17% a mais de crédito universitário.

5. Revisitar as próprias práticas com frequência

O mundo é muito dinâmico. As relações, as pessoas, as tecnologias: tudo muda com rapidez. E nós precisamos estar dispostos a rever os nossos conceitos com frequência para acompanhar esse ritmo frenético. Por isso, constantemente revisitamos os nossos modelos, definimos novas políticas de crédito e descartamos aquelas que não estão mais aderentes ao nosso negócio e ao nosso propósito.

Com esses cinco pontos, concluo dizendo que no fim, mais do que importante, atualizar-se é crucial para se manter vivo. Se para aprender e se formar um aluno precisa fazer as suas lições de casa, nós também precisamos fazer as nossas, se realmente quisermos investir na educação como ferramenta de transformação social.