Scoring de crédito com ML aprimorado

Contexto

Banco de varejo (8M de clientes) com um scoring de crédito desenvolvido em 2018 baseado em modelo logístico utilizando 12 variáveis tradicionais (renda, emprego, histórico bancário). O modelo mostra sinais de degradação: a taxa de inadimplência real é 20% superior à taxa prevista, e a taxa de recusa é considerada excessiva pela diretoria comercial (35% das solicitações recusadas vs 25% de objetivo). A empresa busca industrializar sua abordagem de dados, não recomeçar do zero.

Problema & Desafio

Taxa de inadimplência real 20% superior à taxa prevista pelo modelo: subestimação do risco. Taxa de recusa a 35% vs 25% objetivo: perda de 10K clientes potenciais solventes por ano. Modelo logístico com 12 variáveis insuficiente para capturar os padrões complexos de risco. Nenhum dado alternativo explorado (dados transacionais, comportamentais, open banking). Não conformidade com as diretrizes da EBA sobre o uso de modelos ML em scoring de crédito.

Solução & Entregas

Scoring ML de nova geração utilizando 200+ features incluindo dados transacionais e comportamentais. Explicabilidade nativa: cada decisão de score é acompanhada dos fatores contributivos (SHAP values). Conformidade EBA integrada: documentação do modelo, validação de backtesting, monitoramento de performance contínuo. Implantação progressiva com A/B test ao longo de 6 meses: scoring antigo vs novo com medição de impacto. Monitoramento pós-implantação: detecção de drift, análise das populações recusadas, calibração contínua. Sistema operado e monitorado continuamente pela equipe Bomzai.

Tecnologias