Modelagem Preditiva de Risco de Crédito: Inteligência Algorítmica, Otimização Econômica e Explicabilidade Regulatória

1. Contexto do Negócio e o Dilema Estratégico

A Aurora Crédito Digital é uma instituição financeira focada em operações de Crédito Direto ao Consumidor (CDC) que vivenciava um clássico atrito de governança corporativa: o embate estrutural entre a Diretoria Comercial/Produtos (orientada a metas agressivas de originação e expansão da carteira) e a Diretoria de Risco e Crédito (focada na preservação de capital e estancamento de perdas).

A máxima que rege o mercado bancário é contundente: "um único cliente inadimplente consome a margem de lucro de dezenas de operações saudáveis". Na Aurora, a concessão de crédito opera sob uma profunda assimetria de perdas econômicas:

Essa desproporção de 10 para 1 inviabiliza políticas comerciais baseadas em regras de corte intuitivas ou no limiar estatístico padrão de 50%. A base histórica acumulava taxa de inadimplência de 6,68% (atrasos de 90+ dias em 2 anos). Nosso desafio como liderança analítica foi construir uma esteira automatizada de Machine Learning orientada não apenas à acurácia algorítmica, mas à maximização da rentabilidade líquida esperada.

2. Objetivos do Projeto e Critérios de Sucesso

Para responder com precisão executiva às demandas do Comitê de Crédito e Riscos, o projeto estabeleceu três pilares de entrega:

• Poder Discriminatório Robusto (ROC AUC ≥ 0,85): Superar os modelos lineares legados e classificar confiavelmente proponentes sob alta assimetria de classes, validado por reamostragens Bootstrap (N=500).
• Otimização Econômica do Ponto de Corte (Cutoff): Realizar varredura computacional exaustiva da matriz de perdas financeiras (Custo = R$ 5.000 × FN + R$ 500 × FP) para identificar a régua de corte operacional de menor custo monetário total.
• Explicabilidade Algorítmica e Conformidade Regulatória: Utilizar valores de Shapley (SHAP) para auditar decisões individuais, gerando as justificativas formais de recusa (Adverse Action Reasons) exigidas pelo Banco Central (Resolução CMN 4.966) e Código de Defesa do Consumidor (Art. 43).

3. Dados, Limpeza Técnica e Engenharia de Atributos (ETL)

A extração contemplava uma base cadastral e transacional com 150.000 registros e 10 variáveis explicativas, com a variável-alvo inadimplente_2anos. A fase de exploração estatística identificou distorções estruturais que comprometeriam severamente modelos de gradiente caso fossem alimentados diretamente:

• Tratamento de Códigos Sentinela: As colunas de atrasos históricos apresentavam valores 96 e 98 (códigos operacionais de sistemas legados para proponente sem histórico de atraso registrado). Foram sanitizados e imputados como 0 atrasos reais.
• Capping Estatístico de Atrasos: Aplicação de limite superior em 20 atrasos nas variáveis temporais para mitigar alavancagem desmedida em splits de árvores.
• Imputação por Mediana sem Data Leakage: A coluna renda_mensal possuía 29.731 valores ausentes (19,82%) e dependentes possuía 3.924 nulos. As imputações foram calculadas estritamente a partir do conjunto de treino e aplicadas deterministicamente no teste.
• Capping de Renda Mensal: Corte superior em R$ 50.000,00 para estabilização de variância contra valores atípicos.
• Engenharia de Atributos (Feature Engineering): Criação do indicador sobra_de_caixa através da fórmula renda × (1 - razão_gastos), mapeando a capacidade líquida de amortização mensal do cliente.

import numpy as np
import pandas as pd
from sklearn.pipeline import Pipeline
from xgboost import XGBClassifier

# Pipeline com sanitização de sentinelas, imputação e engenharia de sobra de caixa
def transformar_dados(df, parametros_treino):
    df_proc = df.copy()
    
    # 1. Correção dos códigos sentinela 96 e 98
    cols_atraso = ['vezes_passou_de_30_59_dias', 'numero_de_atrasos_ultimos_60_89_dias', 'numero_de_vezes_passou_de_90_dias']
    for col in cols_atraso:
        df_proc[col] = df_proc[col].replace([96, 98], 0).clip(upper=20)
        
    # 2. Imputação de nulos sem vazamento de dados (mediana do treino)
    df_proc['renda_mensal'] = df_proc['renda_mensal'].fillna(parametros_treino['mediana_renda']).clip(upper=50000.0)
    df_proc['dependentes'] = df_proc['dependentes'].fillna(parametros_treino['mediana_dependentes'])
    
    # 3. Engenharia de Atributo Financeiro: Capacidade de Amortização
    df_proc['sobra_de_caixa'] = df_proc['renda_mensal'] * (1.0 - df_proc['razao_gastos'].clip(0.0, 1.0))
    return df_proc

4. Benchmark Comparativo dos Modelos de Machine Learning

Submetemos a base particionada (75% treino / 25% teste, estratificada) ao treinamento rigoroso de 5 abordagens com semente controlada (SEED = 42). Para garantir solidez estatística, avaliamos não apenas acurácia (métrica enviesada pelo desbalanceamento), mas ROC AUC, Precision-Recall AUC (PR AUC) e simulação Bootstrap com 500 iterações:

O modelo XGBoost consagrou-se campeão absoluto com ROC AUC de 0,8686 no conjunto de teste independente (sem sobreajuste perceptível frente aos 0,8772 do treino), exibindo a menor perda logarítmica (0,1742) e maior precisão na separação da cauda de risco.

5. Otimização Econômica do Ponto de Corte (Threshold Optimization)

Em concessão de crédito, o ponto de corte de 50% é um erro executivo comum. Se o custo do calote é 10 vezes maior do que a margem do bom cliente recusado, o limiar de decisão deve ser calibrado pela curva de custo esperado.

Varremos computacionalmente 100 pontos de corte (de 0,01 a 0,99). O ponto ótimo de mínimo custo global para o XGBoost ocorreu na probabilidade de corte de 0,590 (59,0%).

Diagnóstico Humano da Decisão (Conjunto de Teste: 37.500 Proponentes)

• 30.287 Bons Pagadores Aprovados (86,55% da carteira saudável): Operações legítimas que geram receita e giro para a instituição.
• 1.756 Inadimplentes Bloqueados com Sucesso (70,07% da inadimplência contida): O modelo antecipou 7 de cada 10 calotes potenciais, evitando R$ 8,78 Milhões em perdas diretas.
• 4.707 Bons Clientes Recusados (Falsos Positivos — 13,45% de atrito comercial): Custo de oportunidade controlado de R$ 2.353.500 em nome da higidez de caixa.
• 750 Calotes Concedidos (Falsos Negativos — 29,93% de fuga residual): Perda de R$ 3.750.000,00, plenamente absorvida pelo spread da carteira saudável.

6. Governança, Conformidade Regulatória e Explicabilidade com SHAP

No setor financeiro moderno, um modelo de alta performance não pode operar como caixa-preta. A Resolução CMN nº 4.966 do BACEN e o Artigo 43 do Código de Defesa do Consumidor (CDC) exigem que qualquer recusa de crédito apresente fundamentação clara e auditável ao cliente.

Implementamos a metodologia SHAP (Shapley Additive Explanations) através do algoritmo otimizado TreeExplainer. Com isso, resolvemos simultaneamente dois níveis de governança:

Perspectivas Integradas

10. Qualidade dos Dados, Limitações e Monitoramento Contínuo

Todo modelo estatístico em produção está sujeito à degradação temporal por mudanças macroeconômicas. Estruturamos duas salvaguardas essenciais para o ciclo de vida do modelo:

• Monitoramento de Data Drift & Concept Drift: Aplicação mensal do teste estatístico Kolmogorov-Smirnov (KS) e do Population Stability Index (PSI) nas variáveis de entrada. Qualquer desvio com PSI > 0,25 dispara retreino automático com novas safras maduras.
• Limitações Mapeadas: A base atual é puramente comportamental e cadastral interna, não capturando choques exógenos macroeconômicos (como aumentos bruscos na taxa SELIC ou inflação de alimentos) nem dados do Cadastro Positivo externo de birôs (Serasa/Boa Vista). A inclusão dessas fontes externas figura como prioridade para a versão 2.0.

11. Impacto Estratégico, ROI e Recomendações Executivas

A implementação da esteira de Machine Learning orientada a custo trouxe ganhos expressivos e mensuráveis para a alta liderança:

12. Conclusão

Este case simboliza o ápice da integração entre a Ciência de Dados Avançada, a Engenharia de Software e a Inteligência Contábil e Tributária. Não nos limitamos a treinar um classificador para maximizar métricas estatísticas abstratas; investigamos anomalias de negócio, expurgamos dados sentinela, modelamos a esteira sob restrições econômicas reais e resolvemos a barreira regulatória através da explicabilidade com SHAP.

O diferencial de um profissional de Dados e Inteligência Fiscal Sênior reside na capacidade de traduzir algoritmos complexos em decisões que geram caixa, blindam o balanço patrimonial e asseguram conformidade jurídica irrepreensível perante os órgãos reguladores.