O score de cr\u00e9dito (ou pontua\u00e7\u00e3o de cr\u00e9dito) \u00e9 uma pontua\u00e7\u00e3o que reflete a capacidade de uma pessoa f\u00edsica ou jur\u00eddica de pagar as contas relacionadas a ela. <\/p>\n\n\n\n
Ele \u00e9 calculado com base no hist\u00f3rico financeiro e em outros dados de interesse, como empr\u00e9stimos, contas de cart\u00e3o de cr\u00e9dito, aluguel, impostos etc. As empresas usam essa pontua\u00e7\u00e3o para avaliar o risco de conceder um empr\u00e9stimo ou vender um produto de alto valor agregado para uma pessoa.<\/p>\n\n\n\n
Termos como \u201cchance\u201d, \u201cprobabilidade\u201d, \u201crisco\u201d s\u00e3o interpreta\u00e7\u00f5es que podem ser dadas ao score, mas essencialmente o score \u00e9 um valor num\u00e9rico, em uma determinada escala, calculado com base no hist\u00f3rico financeiro e em outros dados de pessoas f\u00edsicas e\/ou jur\u00eddicas. <\/p>\n\n\n\n
Como funciona um Score de Cr\u00e9dito?<\/strong><\/h2>\n\n\n\nCada entidade credora pode escolher os par\u00e2metros e a forma de calcular o score de cr\u00e9dito. No entanto, existem alguns fatores comuns que geralmente s\u00e3o considerados, como:
<\/p>\n\n\n\n
- O hist\u00f3rico de pagamento de d\u00edvidas<\/li>
- O tempo de uso do cr\u00e9dito<\/li>
- O tipo de cr\u00e9dito utilizado<\/li>
- A quantidade de cr\u00e9dito dispon\u00edvel <\/li><\/ul>\n\n\n\n
Al\u00e9m disso, outras informa\u00e7\u00f5es como idade, estado civil, n\u00edvel de educa\u00e7\u00e3o e emprego tamb\u00e9m podem ser usadas para calcular o score de cr\u00e9dito.<\/p>\n\n\n\n
Por exemplo, uma empresa que faz empr\u00e9stimos a pessoas jur\u00eddicas poderia gerar um score de cr\u00e9dito com base nos valores pagos aos funcion\u00e1rios da empresa, na data de pagamento dos sal\u00e1rios, justificando-se no fato de que se a empresa paga bons sal\u00e1rios e os paga em dia, teria condi\u00e7\u00f5es de pagar um empr\u00e9stimo em dia. <\/p>\n\n\n\n
Por\u00e9m, uma outra empresa que tamb\u00e9m faz empr\u00e9stimos a pessoas jur\u00eddicas pode gerar um score de cr\u00e9dito com base no tipo e na quantidade de produtos vendidos pela empresa, pois acredita que produtos com maior sa\u00edda geram maiores lucros e assim a empresa tem capacidade de pagar o empr\u00e9stimo. <\/p>\n\n\n\n
Veja que dois crit\u00e9rios diferentes geram scores diferentes para uma mesma finalidade, o que mostra que o score pode n\u00e3o ser \u00fanico e varia de acordo com os crit\u00e9rios adotados pelos tomadores de decis\u00e3o do empr\u00e9stimo.<\/p>\n\n\n\n
Conte\u00fado Relacionado:<\/strong> Investir com Analytics – Aplicando Big Data em Portf\u00f3lio de Investimentos<\/a><\/p>\n\n\n\nAplicando Data Science para a cria\u00e7\u00e3o de Score de Cr\u00e9dito<\/strong><\/h2>\n\n\n\nA Ci\u00eancia de Dados \u00e9 uma \u00e1rea do conhecimento que tem muito a contribuir para o desenvolvimento do score de cr\u00e9dito.\u00a0Confira o passo a passo:<\/p>\n\n\n\n
Compreender as necessidades<\/strong><\/h3>\n\n\n\nO primeiro passo de toda solu\u00e7\u00e3o de Ci\u00eancia de Dados \u00e9 compreender as perguntas de neg\u00f3cio. Ou seja, com qual tipo de score de cr\u00e9dito a empresa trabalha hoje ou gostaria de trabalhar? <\/p>\n\n\n\n
Definir a abordagem<\/strong><\/h3>\n\n\n\nSe a empresa deseja construir um score num\u00e9rico, teremos uma abordagem com problema de regress\u00e3o. Se deseja classificar com categorias de risco, como baixo, m\u00e9dio ou alto, a abordagem ser\u00e1 diferente, entendendo como um problema de classifica\u00e7\u00e3o. <\/p>\n\n\n\n
Avaliar os dados dispon\u00edveis<\/strong><\/h3>\n\n\n\nAp\u00f3s isso, deve-se verificar os dados dispon\u00edveis nas bases de dados internas, avaliar sua qualidade e a necessidade (e viabilidade) de enriquecimento com a compra de bases de dados externas. <\/p>\n\n\n\n
Com os dados escolhidos e com a quantidade de informa\u00e7\u00f5es adequadas, chegamos a uma das etapas mais importantes, que \u00e9 a escolha do modelo preditivo.<\/p>\n\n\n\n
Conte\u00fado Relacionado:<\/strong> Minera\u00e7\u00e3o de Dados: o que \u00e9, como funciona e cases pr\u00e1ticos<\/a><\/p>\n\n\n\nEscolha do modelo preditivo<\/strong><\/h3>\n\n\n\nO modelo preditivo \u00e9 a etapa chave no desenvolvimento do score de cr\u00e9dito, pois \u00e9 nessa fase que as t\u00e9cnicas da Ci\u00eancia de Dados s\u00e3o aplicadas para prever o comportamento futuro do indiv\u00edduo em rela\u00e7\u00e3o a seu comprometimento com pagamentos.<\/p>\n\n\n\n
Existem diversas t\u00e9cnicas de modelagem preditiva que podem ser aplicadas, tais como regress\u00e3o linear ou log\u00edstica, \u00e1rvores de decis\u00e3o, redes neurais, entre outras. <\/p>\n\n\n\n
A escolha do modelo mais adequado depende das caracter\u00edsticas dos dados, da quantidade de vari\u00e1veis envolvidas e do objetivo final do modelo. <\/p>\n\n\n\n
Cada modelo tem suas pr\u00f3prias vantagens e limita\u00e7\u00f5es, e o cientista de dados deve avaliar cuidadosamente qual modelo \u00e9 mais apropriado para o problema em quest\u00e3o.<\/p>\n\n\n\n
Treinamento do modelo<\/strong><\/h3>\n\n\n\nAp\u00f3s escolher o modelo mais adequado, \u00e9 necess\u00e1rio realizar o treinamento do modelo com um conjunto de dados hist\u00f3ricos, quando \u00e9 poss\u00edvel observar a rela\u00e7\u00e3o entre as vari\u00e1veis e os resultados passados. <\/p>\n\n\n\n
Esses dados s\u00e3o divididos em dois conjuntos: um conjunto de treinamento e um conjunto de testes. O conjunto de treinamento \u00e9 utilizado para treinar o modelo e o conjunto de teste \u00e9 utilizado para avaliar a capacidade do modelo em fazer previs\u00f5es precisas em dados nunca antes vistos.<\/p>\n\n\n\n
Avalia\u00e7\u00e3o do modelo<\/strong><\/h3>\n\n\n\nO modelo deve ser avaliado de forma criteriosa para garantir que ele est\u00e1 funcionando corretamente. Isso pode ser feito atrav\u00e9s de diversas m\u00e9tricas, como a precis\u00e3o, a sensibilidade, a especificidade, o \u00edndice de Gini, a curva ROC, entre outras. <\/p>\n\n\n\n
\u00c9 importante destacar que n\u00e3o h\u00e1 uma m\u00e9trica \u00fanica que seja a melhor para todos os casos. O cientista de dados deve escolher a m\u00e9trica mais adequada para avaliar o desempenho do modelo de acordo com o objetivo do projeto.<\/p>\n\n\n\n
Implementa\u00e7\u00e3o do score<\/strong><\/h3>\n\n\n\nPor fim, \u00e9 necess\u00e1rio realizar a implementa\u00e7\u00e3o do modelo em produ\u00e7\u00e3o para que o score de cr\u00e9dito possa ser gerado automaticamente. <\/p>\n\n\n\n
Essa etapa envolve a integra\u00e7\u00e3o do modelo em um sistema de informa\u00e7\u00e3o que possa receber as informa\u00e7\u00f5es necess\u00e1rias para gerar o score de cr\u00e9dito em tempo real. <\/p>\n\n\n\n
A implementa\u00e7\u00e3o do modelo em produ\u00e7\u00e3o deve ser feita com muita cautela, garantindo que o modelo esteja funcionando corretamente e n\u00e3o esteja gerando resultados equivocados que possam prejudicar a avalia\u00e7\u00e3o do risco de cr\u00e9dito.<\/p>\n\n\n\n
Confira como efetuar cada etapa com mais detalhes em nosso E-book:<\/p>\n\n\n\n![\"\"](\"https:\/\/www.mjvinnovation.com\/wp-content\/uploads\/2023\/05\/BLOG-CTA-1.jpg\")
<\/a><\/figure>\n\n\n\nQuer conversar com um especialista sobre esse tema?<\/strong><\/h2>\n\n\n\nCalcular um Score de Cr\u00e9dito passa por duas etapas importantes: An\u00e1lise de Dados e o ciclo de cria\u00e7\u00e3o-disponibiliza\u00e7\u00e3o de um modelo preditivo. O MJV Lens<\/a> conta com especialistas de longa experi\u00eancia e pode ajudar n\u00e3o somente em Score de Cr\u00e9dito, mas em uma grande variedade de problemas que envolvam Data Analytics e Intelig\u00eancia Artificial.<\/p>\n\n\n\n \n Agendar<\/a>\n\t\n\t\tAgende uma conversa<\/h3>\n\t\t
<\/p>\n\t<\/div>\n\t
\n\t\t\r\n\r\nhbspt.forms.create({\r\nregion: “na1”,\r\nportalId: “455690”,\r\nformId: “d898e9db-728f-4701-b9b3-8ca36a1ce213”\r\n});\r\n<\/div>\n\t<\/div>\n<\/section>\n\n
<\/p>\n\n\n\n
Al\u00e9m disso, outras informa\u00e7\u00f5es como idade, estado civil, n\u00edvel de educa\u00e7\u00e3o e emprego tamb\u00e9m podem ser usadas para calcular o score de cr\u00e9dito.<\/p>\n\n\n\n
Por exemplo, uma empresa que faz empr\u00e9stimos a pessoas jur\u00eddicas poderia gerar um score de cr\u00e9dito com base nos valores pagos aos funcion\u00e1rios da empresa, na data de pagamento dos sal\u00e1rios, justificando-se no fato de que se a empresa paga bons sal\u00e1rios e os paga em dia, teria condi\u00e7\u00f5es de pagar um empr\u00e9stimo em dia. <\/p>\n\n\n\n
Por\u00e9m, uma outra empresa que tamb\u00e9m faz empr\u00e9stimos a pessoas jur\u00eddicas pode gerar um score de cr\u00e9dito com base no tipo e na quantidade de produtos vendidos pela empresa, pois acredita que produtos com maior sa\u00edda geram maiores lucros e assim a empresa tem capacidade de pagar o empr\u00e9stimo. <\/p>\n\n\n\n
Veja que dois crit\u00e9rios diferentes geram scores diferentes para uma mesma finalidade, o que mostra que o score pode n\u00e3o ser \u00fanico e varia de acordo com os crit\u00e9rios adotados pelos tomadores de decis\u00e3o do empr\u00e9stimo.<\/p>\n\n\n\n
Conte\u00fado Relacionado:<\/strong> Investir com Analytics – Aplicando Big Data em Portf\u00f3lio de Investimentos<\/a><\/p>\n\n\n\n A Ci\u00eancia de Dados \u00e9 uma \u00e1rea do conhecimento que tem muito a contribuir para o desenvolvimento do score de cr\u00e9dito.\u00a0Confira o passo a passo:<\/p>\n\n\n\n O primeiro passo de toda solu\u00e7\u00e3o de Ci\u00eancia de Dados \u00e9 compreender as perguntas de neg\u00f3cio. Ou seja, com qual tipo de score de cr\u00e9dito a empresa trabalha hoje ou gostaria de trabalhar? <\/p>\n\n\n\n Se a empresa deseja construir um score num\u00e9rico, teremos uma abordagem com problema de regress\u00e3o. Se deseja classificar com categorias de risco, como baixo, m\u00e9dio ou alto, a abordagem ser\u00e1 diferente, entendendo como um problema de classifica\u00e7\u00e3o. <\/p>\n\n\n\n Ap\u00f3s isso, deve-se verificar os dados dispon\u00edveis nas bases de dados internas, avaliar sua qualidade e a necessidade (e viabilidade) de enriquecimento com a compra de bases de dados externas. <\/p>\n\n\n\n Com os dados escolhidos e com a quantidade de informa\u00e7\u00f5es adequadas, chegamos a uma das etapas mais importantes, que \u00e9 a escolha do modelo preditivo.<\/p>\n\n\n\n Conte\u00fado Relacionado:<\/strong> Minera\u00e7\u00e3o de Dados: o que \u00e9, como funciona e cases pr\u00e1ticos<\/a><\/p>\n\n\n\n O modelo preditivo \u00e9 a etapa chave no desenvolvimento do score de cr\u00e9dito, pois \u00e9 nessa fase que as t\u00e9cnicas da Ci\u00eancia de Dados s\u00e3o aplicadas para prever o comportamento futuro do indiv\u00edduo em rela\u00e7\u00e3o a seu comprometimento com pagamentos.<\/p>\n\n\n\n Existem diversas t\u00e9cnicas de modelagem preditiva que podem ser aplicadas, tais como regress\u00e3o linear ou log\u00edstica, \u00e1rvores de decis\u00e3o, redes neurais, entre outras. <\/p>\n\n\n\n A escolha do modelo mais adequado depende das caracter\u00edsticas dos dados, da quantidade de vari\u00e1veis envolvidas e do objetivo final do modelo. <\/p>\n\n\n\n Cada modelo tem suas pr\u00f3prias vantagens e limita\u00e7\u00f5es, e o cientista de dados deve avaliar cuidadosamente qual modelo \u00e9 mais apropriado para o problema em quest\u00e3o.<\/p>\n\n\n\n Ap\u00f3s escolher o modelo mais adequado, \u00e9 necess\u00e1rio realizar o treinamento do modelo com um conjunto de dados hist\u00f3ricos, quando \u00e9 poss\u00edvel observar a rela\u00e7\u00e3o entre as vari\u00e1veis e os resultados passados. <\/p>\n\n\n\n Esses dados s\u00e3o divididos em dois conjuntos: um conjunto de treinamento e um conjunto de testes. O conjunto de treinamento \u00e9 utilizado para treinar o modelo e o conjunto de teste \u00e9 utilizado para avaliar a capacidade do modelo em fazer previs\u00f5es precisas em dados nunca antes vistos.<\/p>\n\n\n\n O modelo deve ser avaliado de forma criteriosa para garantir que ele est\u00e1 funcionando corretamente. Isso pode ser feito atrav\u00e9s de diversas m\u00e9tricas, como a precis\u00e3o, a sensibilidade, a especificidade, o \u00edndice de Gini, a curva ROC, entre outras. <\/p>\n\n\n\n \u00c9 importante destacar que n\u00e3o h\u00e1 uma m\u00e9trica \u00fanica que seja a melhor para todos os casos. O cientista de dados deve escolher a m\u00e9trica mais adequada para avaliar o desempenho do modelo de acordo com o objetivo do projeto.<\/p>\n\n\n\n Por fim, \u00e9 necess\u00e1rio realizar a implementa\u00e7\u00e3o do modelo em produ\u00e7\u00e3o para que o score de cr\u00e9dito possa ser gerado automaticamente. <\/p>\n\n\n\n Essa etapa envolve a integra\u00e7\u00e3o do modelo em um sistema de informa\u00e7\u00e3o que possa receber as informa\u00e7\u00f5es necess\u00e1rias para gerar o score de cr\u00e9dito em tempo real. <\/p>\n\n\n\n A implementa\u00e7\u00e3o do modelo em produ\u00e7\u00e3o deve ser feita com muita cautela, garantindo que o modelo esteja funcionando corretamente e n\u00e3o esteja gerando resultados equivocados que possam prejudicar a avalia\u00e7\u00e3o do risco de cr\u00e9dito.<\/p>\n\n\n\n Confira como efetuar cada etapa com mais detalhes em nosso E-book:<\/p>\n\n\n\n Calcular um Score de Cr\u00e9dito passa por duas etapas importantes: An\u00e1lise de Dados e o ciclo de cria\u00e7\u00e3o-disponibiliza\u00e7\u00e3o de um modelo preditivo. O MJV Lens<\/a> conta com especialistas de longa experi\u00eancia e pode ajudar n\u00e3o somente em Score de Cr\u00e9dito, mas em uma grande variedade de problemas que envolvam Data Analytics e Intelig\u00eancia Artificial.<\/p>\n\n\n <\/p>\n\t<\/div>\n\tAplicando Data Science para a cria\u00e7\u00e3o de Score de Cr\u00e9dito<\/strong><\/h2>\n\n\n\n
Compreender as necessidades<\/strong><\/h3>\n\n\n\n
Definir a abordagem<\/strong><\/h3>\n\n\n\nAvaliar os dados dispon\u00edveis<\/strong><\/h3>\n\n\n\n
Escolha do modelo preditivo<\/strong><\/h3>\n\n\n\n
Treinamento do modelo<\/strong><\/h3>\n\n\n\n
Avalia\u00e7\u00e3o do modelo<\/strong><\/h3>\n\n\n\nImplementa\u00e7\u00e3o do score<\/strong><\/h3>\n\n\n\n
<\/a><\/figure>\n\n\n\nQuer conversar com um especialista sobre esse tema?<\/strong><\/h2>\n\n\n\n
Agende uma conversa<\/h3>\n\t\t