Artigo – A evolução tecnológica na concessão de crédito
No final da década de 90, eu trabalhava como desenvolvedor em uma grande empresa de varejo. Um dos sistemas que implementei na época foi um sistema de credit score, para avaliar os clientes durante o processo de análise de crédito. Naquela época, a internet ainda estava começando e não se falava em machine learning. A dinâmica do sistema era baseada no conteúdo que era preenchido sobre o cliente. Quanto mais informações eram disponibilizadas, melhor o “score”. Enquanto o vendedor preenchia as informações do cliente, um semáforo mudava de cor, começando do vermelho até o verde.
Naquela aplicação, as importâncias dos campos preenchidos eram fundamentais para um bom “score” e consequentemente uma futura aprovação. Havia apenas um único campo obrigatório, o nome do cliente. Já para a aprovação de um cadastro para financiamento, outros campos eram fundamentais: CPF, RG, data de nascimento, nome da mãe, telefone de contato, endereço e um contato de referência, com nome e telefone.
O contato de referência era utilizado para verificar a veracidade e existência do cliente. O endereço e telefone seriam utilizados em caso de uma necessidade de cobrança. Já o RG, CPF, data de nascimento e nome da mãe, seriam utilizados em uma eventual necessidade de “negativá-lo” em alguma empresa de proteção ao crédito. Lembro que apresentamos o sistema no hotel Maksoud Plaza para uma plateia que aplaudiu de pé.
A solução não era completa, pois a parte de captura das cópias de documentos, comprovante de residência e preenchimento do contrato com a financeira, era feita manualmente. A consulta na empresa de proteção ao crédito e o contato com a pessoa de referência eram feitas por telefone. Naquela época, nenhum serviço de fraude existia para verificar a autenticidade ou verificar algum padrão de comportamento.
Ao longo desses mais de 20 anos, a evolução foi incrível.
O processo de captura das informações ocorre em sites na web, tablets ou mesmo em smartphones. Algoritmos de machine learning analisam como foi realizado o processo de preenchimento, para verificar se não foi feito por um robô (sim, os fraudadores também evoluíram) Outros algoritmos avaliam a importância de cada informação que será solicitada ao cliente para garantir a eficácia do processo. Com base nas informações solicitadas, por meio de machine learning, é possível gerar um “score” avaliando se o cliente conseguirá arcar ou não com a dívida que está sendo criada. Em uma esteira de financiamento, a empresa de varejo pode avaliar por meio dos algoritmos se quer financiar ou se quer transferir este risco para uma financeira parceira de seu negócio.
Passos deste processo são feitos através de APIs, do Inglês Application Programming Interface, que integram a empresa de varejo com parceiros de tecnologia para identificar possíveis fraudes, com as financeiras, que analisam e concedem ou não o crédito, com órgãos fiscais para emissão de nota fiscal e adquirentes para pagamentos.
Por mais simples que possa parecer, é um processo que tem sua complexidade, e sua evolução não ocorreu do dia para a noite.
Nas empresas mais jovens, se torna trivial falar de machine learning ou integração através de APIs. Agora, em empresas que estão iniciando um processo de transformação, parece um “bicho de sete cabeças”. Nem tanto pelas APIs, pois muitas empresas já utilizam, para integrar seus sistemas com órgãos públicos ou meios de pagamento, mas por ouvir falar em machine learning.
Toda empresa tem processos e dados oriundos destes. Algoritmos de machine learning podem promover insights com estes dados, independente do segmento em que a empresa atua. Embora tenha descrito aqui um exemplo de uma empresa de varejo, podemos capturar insights em empresas de outros segmentos, por exemplo, na prevenção de manutenção de equipamentos em uma indústria, na detecção de churn, em empresas de serviços, enfim, em qualquer ramo de atividade.
Não é um processo imediato, mas tão cedo se inicia, a empresa já começa a obter os frutos.