5 chaves para entender por que a pontuação de crédito alternativa muda o jogo
A pontuação de crédito alternativa é um dos mais recentes avanços em tecnologias financeiras. Isso não apenas permite a criação de perfis de crédito mais bem-sucedidos, mas também ajuda os bancos a aumentar sua base de clientes aos trancos e barrancos.
Mas do que exatamente se trata essa nova técnica? E como um dos bancos mais influentes da Indonésia começou a usá-lo para crescer 107% no montante de empréstimos concedidos?
Leia mais para descobrir.
Perfis mais realistas mais rápidos graças ao aprendizado de máquina
Como determinar se alguém é um bom candidato a um empréstimo? Tradicionalmente, um perfil de crédito é construído a partir de dados como remuneração e nível de renda. O problema? Os perfis criados com esses dados não são apenas uma fatia da realidade, mas o processo para criá-los é lento e burocrático. No final, você acaba trabalhando muito para coletar pouco.
Os modelos de pontuação alternativos, por outro lado, usam o aprendizado de máquina para processar cada aspecto da vida dos usuários nos mínimos detalhes. Além de analisar dados tradicionais, também coleta registros, examina a capacidade de pagamento, analisa a atividade de pagamento online e até leva em consideração as redes sociais!
Basta dar uma olhada em todas as variáveis?? que uma plataforma como o Mercado Libre leva em consideração para seu programa de crédito:
Tudo isso sendo analisado em tempo real por meio de algoritmos complexos para determinar o quão bom é um usuário um candidato a um empréstimo. O resultado são perfis mais realistas e muito mais completos e clientes com mais qualidade.
Permite capturar mais clientes
Os métodos tradicionais de pontuação às vezes retardam o crescimento dos bancos. Quando tudo o que você precisa para criar um perfil é um pequeno punhado de números, é quase impossível saber com certeza se alguém é um bom candidato a um empréstimo. Isso leva os bancos a rejeitarem toneladas de candidatos que seriam clientes ideais.
No caso do Mercado Libre mencionado no ponto anterior, esses algoritmos complexos permitiram à plataforma aprovar 60% dos pedidos de crédito com total confiança, dos quais 67% são para microempresas. O mais interessante? 80% dessas pessoas não seriam consideradas “bons perfis” pelos meios tradicionais.
Mas é claro que isso não acontece apenas com empresas de fintech. Apesar de seu desejo de atrair novos clientes, um dos dez principais bancos da Indonésia não conseguiu evitar a rejeição de 85% dos empréstimos solicitados. A solução? Depois de adotar um método de pontuação alternativo para obter perfis realistas de seus clientes em potencial, o banco passou a aprovar 107% a mais de empréstimos– agora com a garantia de estar escolhendo clientes de confiança.
O aprendizado de máquina também permite que você evite fraudes
Se há algo que caracteriza este momento da história, é a conectividade. Estamos todos conectados. Todas as nossas informações estão flutuando em um servidor. Não usá-lo está desperdiçando o enorme potencial do Big Data.
Quando se trata de detectar fraudes, os mesmos sistemas de aprendizado de máquina que pontuações alternativas em potencial também detectam quando alguém pode não ter a melhor das intenções.
Componentes como o SDK permitem detectar anomalias comportamentais e alertá-lo sobre possíveis fraudes antes mesmo que elas aconteçam. Um usuário realiza atividades suspeitas, como tentar apagar seus rastros ou acessar créditos enormes de lugares insuspeitados? O sistema sabe disso.
Tudo isso sendo analisado em tempo real por meio de algoritmos complexos para determinar o quão bom é um usuário um candidato a um empréstimo. O resultado são perfis mais realistas e muito mais completos e clientes com mais qualidade.
Permite capturar mais clientes
Até agora, uma entidade financeira podia levar até 30 dias com a agência para obter informações atualizadas sobre um cliente. Em contraste, com o Open Banking qualquer banco modernizado pode acessar facilmente essas informações.
Graças a isso, pouco a pouco é possível eliminar a figura do prospect —arriscado na concessão de créditos—, em busca de clientes e novos clientes.
Graças ao Open Banking, uma identidade pode acessar as informações de um novo cliente simplesmente solicitando ao seu banco de longa data todas as informações coletadas. É um processo mais ágil, mais rápido e com menos chance de perder um cliente.
Como o BATE Gap influencia a capacidade de pontuação alternativa?
O BATE Gap é um conceito que desenvolvemos no N5 para medir a diferença entre o nível de penetração bancária em um país e a penetração da telefonia móvel. Esta poderosa ferramenta permite-nos determinar quais os locais ideais para a implementação de processos de mobile banking.
Dê uma olhada no gráfico abaixo:
Como você pode ver, em quase todos os países medidos a penetração da telefonia móvel supera os níveis da banca. Em alguns, chega ao dobro!
O que isto significa? Quanto maior for a lacuna medida no BATE Gap, melhor será a oportunidade de implementar métodos de pontuação alternativos.
Isso significa que existe atualmente um enorme mercado inexplorado nos países em desenvolvimento – como indica o BATE Gap – e uma grande oportunidade para quem entra agora, antes que a oferta esteja saturada.
Exemplo disso é o mercado de microcrédito, que não para de crescer desde 2008 e que deve chegar a 650 milhões de dólares em 2025.
Editorial: Marcelo Frette
