Crédito psicométrico: a próxima disputa por pontos percentuais

Por Jorge Azevedo

O banco sabia pouco. O cliente contava uma parte. O bureau completava outra. A renda era estimada com alguma criatividade estatística. E, no fim, todo mundo fingia que a decisão era mais objetiva do que realmente era.

Agora o jogo começa a mudar.

Com Open Finance, dados transacionais, histórico bancário, comportamento de pagamento, informações fiscais, uso de cartão, movimentação de conta e modelos cada vez mais parecidos, a vantagem competitiva tende a sair do simples acesso à informação. O dado, aos poucos, vai ficando mais disponível. O diferencial passa a estar em outro lugar: interpretar melhor a mesma informação que outros também começam a enxergar.

Essa é a nova fronteira do crédito.

Não é apenas ter mais dados. É tomar decisões melhores com dados parecidos.

É nesse espaço que o crédito psicométrico volta a ficar interessante. Não como substituto do bureau. Não como substituto do score interno. Não como atalho mágico para aprovar quem deveria ser recusado. Essa fantasia costuma durar pouco. Mas como uma camada adicional para entender algo que quase nunca aparece diretamente no extrato: como o cliente toma decisão quando tem crédito disponível.

A pergunta clássica do crédito é: “quanto essa pessoa pode pagar?”.

A pergunta psicométrica adiciona outra camada: “como essa pessoa tende a se comportar diante de risco, prazo, pressão, disciplina, tentação e compromisso?”.

Parece subjetivo demais para crédito. E pode ser mesmo, se for mal desenhado. Mas, quando aplicado com método, pode gerar pontos percentuais relevantes de aprovação, inadimplência, segmentação ou precificação. Em crédito, ponto percentual não é detalhe. É margem, crescimento ou prejuízo embalado em PowerPoint.

Vamos separar as coisas.

Um modelo psicométrico não deveria medir “caráter”, no sentido moral da palavra. Esse é o primeiro erro. Banco não é tribunal de virtudes. O objetivo não é julgar se alguém é bom ou ruim. O objetivo é identificar padrões de decisão que possam melhorar a estimativa de risco, especialmente quando a informação tradicional é fraca, incompleta ou pouco diferenciadora.

Em termos práticos, a metodologia costuma seguir uma sequência simples na aparência, mas sofisticada na execução.

Primeiro, define-se o objetivo de uso: ampliar aprovação em determinado segmento, reduzir inadimplência, apoiar entrada em população pouco bancarizada, validar clientes novos ou melhorar a segmentação dentro de faixas em que o score tradicional não separa bem o risco.

Depois, desenvolve-se um instrumento curto, com perguntas comportamentais, escolhas forçadas, escalas de concordância, elementos visuais e, em alguns casos, tempo de resposta. A ideia não é perguntar “você paga suas contas em dia?” e esperar que alguém diga “não, sou uma tragédia financeira”. Pergunta óbvia gera resposta ensaiada. Resposta ensaiada gera modelo bonito na apresentação e fraco na safra.

Um bom questionário precisa ser curto, pouco óbvio, culturalmente adaptado e operacionalmente viável. Precisa caber na jornada digital sem expulsar bons clientes. Precisa testar consistência de resposta. Precisa medir abandono. Precisa observar se há tentativa de manipulação. Precisa comparar o que o cliente responde com o que ele faz depois.

Na sequência, essas respostas são transformadas em variáveis. Algumas capturam preferência por risco. Outras capturam planejamento. Outras tentam identificar disciplina financeira, impulsividade, percepção de controle, tolerância a regras, reação a ganhos inesperados ou decisões sob pressão. O tempo de resposta também pode carregar informação. Responder rápido demais pode indicar automatismo. Demorar demais pode indicar dúvida, cálculo ou tentativa de adivinhar a resposta “certa”. Não há verdade universal aqui. Há hipótese, teste, validação e monitoramento.

Depois vem a parte que menos aparece no discurso de inovação, mas decide se o projeto é sério: comparação contra o modelo atual.

A psicometria precisa provar valor incremental. Não basta ter um score novo. Score novo todo mundo consegue produzir. A pergunta certa é outra: quanto esse score melhora a separação de risco em relação ao que já existe?

Se o modelo tradicional já separa bem aquele público, talvez a psicometria tenha pouco espaço. Se o cliente já tem histórico bancário rico, renda observável, comportamento transacional estável e bureau robusto, o ganho pode ser marginal. Mas, em segmentos novos, informais, sub-bancarizados ou com histórico escasso, a história muda. Ali, modelos tradicionais às vezes enxergam uma massa cinzenta. A psicometria pode ajudar a separar clientes que pareciam iguais.

Foi isso que vi em projetos no Equador e no Chile.

Em populações com pouca informação bancária tradicional, a psicometria não fazia milagre. Ela não transformava risco ruim em cliente bom por decreto. Mas ajudava a ranquear melhor clientes que o modelo tradicional tratava como muito parecidos. Esse é o ponto. O valor não estava em substituir a régua antiga, mas em capturar uma dimensão de comportamento que a régua antiga não enxergava.

Pense no primeiro caso prático.

Uma fintech quer crescer em um público jovem, informal ou pouco bancarizado. O bureau traz pouca coisa. A renda declarada é instável. O histórico transacional ainda é curto. O modelo tradicional tende a fazer uma de duas coisas: aprovar pouco demais, perdendo crescimento, ou aprovar no escuro, comprando inadimplência futura.

Nesse contexto, um módulo psicométrico bem desenhado pode funcionar como uma camada adicional. Não para liberar todo mundo. Não para criar uma política romântica de inclusão. Mas para ordenar melhor o risco dentro de um grupo em que a informação clássica é insuficiente.

A pergunta executiva passa a ser: “entre os clientes que hoje eu recusaria por falta de informação, existe um subconjunto que posso aprovar com risco controlado?”.

Essa é uma pergunta de crescimento. Mas também é uma pergunta de governança.

Agora pense no segundo caso, mais delicado.

Um banco já tem modelos fortes, bureau, dados internos, Open Finance e histórico de relacionamento. Dois clientes aparecem com capacidade de pagamento parecida, renda estimada parecida, score parecido e exposição parecida. O modelo tradicional trata ambos quase da mesma forma. Só que um tende a planejar, respeitar compromissos e reagir melhor a restrições. O outro tende a subestimar risco, aceitar compromissos simultâneos e se pressionar financeiramente.

A psicometria pode ajudar a capturar parte dessa diferença. Não como sentença. Como sinal.

E sinal, em crédito, só presta quando melhora decisão.

O erro começa quando a instituição se encanta com o instrumento e esquece a operação. Questionários longos geram abandono. E abandono não é neutro. Às vezes, quem abandona é justamente o bom cliente, com menos paciência para uma jornada ruim e mais alternativas no mercado. A instituição acha que está selecionando risco. Na prática, pode estar selecionando tolerância à fricção.

Esse é um ponto central.

O ganho de poder preditivo precisa ser comparado com a perda de oportunidade gerada pelo preenchimento. Se o questionário melhora um pouco a inadimplência, mas derruba muito a conversão, talvez o modelo seja estatisticamente interessante e economicamente ruim. A matemática do crédito não termina no Gini, no KS ou no bad rate. Termina no resultado ajustado por risco, custo, conversão e experiência do cliente.

O comitê deveria fazer uma pergunta simples antes de aprovar qualquer piloto psicométrico: “quantos pontos de poder preditivo estamos ganhando e quantos bons clientes estamos perdendo no caminho?”.

Essa pergunta vale ouro.

Também há um risco ético que não pode ser tratado como rodapé jurídico. Quando uma instituição começa a inferir disciplina, autocontrole, tolerância a risco ou integridade, ela se aproxima de uma fronteira delicada. Crédito não é só estatística aplicada. É acesso econômico. É limite. É preço. É inclusão ou exclusão.

Por isso, o uso responsável da psicometria exige alguns cuidados.

Primeiro, o modelo deve ser complementar. A decisão não deveria depender cegamente de um teste comportamental. Segundo, a validação precisa ser local. Um questionário que funciona em um país, segmento ou canal pode não funcionar em outro. Terceiro, a instituição precisa monitorar viés, estabilidade, abandono e performance por safra. Quarto, o modelo precisa ser governável. Se piorar, tem que poder ser ajustado. Se parar de funcionar, tem que poder ser desligado.

Um piloto bem desenhado deveria começar pequeno. Selecionar um segmento específico. Definir hipótese clara. Aplicar o questionário em uma amostra controlada. Comparar clientes aprovados pelo modelo tradicional com clientes aprovados pela combinação entre modelo tradicional e psicometria. Acompanhar bad rate, conversão, perda esperada, reclamações, abandono e estabilidade. Só depois discutir escala.

A sequência é menos glamourosa do que vender uma solução de IA no palco. Mas é a única que importa.

Diagnóstico. Instrumento. Piloto. Grupo controle. Safra. Métrica de valor incremental. Monitoramento. Governança. Escala.

Tenho trabalhado esse tipo de solução exatamente com essa lógica: psicometria não como produto de prateleira, mas como uma camada de decisão desenvolvida para o contexto do cliente, integrada à política de crédito, ao funil de aprovação, ao apetite de risco e à realidade operacional. O instrumento sozinho não resolve. O que resolve é o desenho de decisão.

O mercado financeiro precisa estar aberto a novidades. Essa é a parte boa da discussão. Ser conservador demais em crédito também custa caro. Custa crescimento. Custa inclusão. Custa relevância. Custa participação de mercado. Em um ambiente em que bancos, fintechs e varejistas financeiros disputam os mesmos clientes, recusar por falta de visão pode ser tão perigoso quanto aprovar por excesso de entusiasmo.

A psicometria entra justamente nessa fresta.

Ela não promete verdade absoluta. Promete uma pergunta melhor. Não substitui os dados duros. Complementa. Não elimina risco. Ajuda a diferenciar risco. Não resolve a política de crédito. Enriquece a política, desde que a instituição saiba o que está fazendo.

A tese mais poderosa para o crédito psicométrico é menos glamourosa e mais útil: usar como camada incremental de inteligência decisória.

Aplicar onde a informação tradicional é insuficiente. Combinar com modelos existentes. Medir ganho real. Controlar perda de conversão. Validar localmente. Monitorar viés. Explicar o uso. E ter coragem de ajustar o modelo quando a safra mostrar que a apresentação estava mais bonita do que a realidade.

No fim, a psicometria talvez seja uma boa metáfora para o novo crédito.

Quanto mais dados temos, mais precisamos desconfiar da nossa própria certeza. O futuro do crédito não será decidido apenas por quem tiver mais dados. Será decidido por quem souber transformar sinais fracos em decisões melhores, sem confundir inovação com licença para medir pessoas com régua errada.

A próxima disputa do crédito será uma luta por pontos percentuais de poder preditivo.

E ponto percentual, nesse jogo, não é detalhe. É vantagem competitiva.

Do autor: https://portalcontraponto.com.br/capa/o-novo-campo-de-batalha-do-credito-clean/

Jorge Azevedo no Podcast Contra Ponto: https://youtube.com/live/0THJp0yTn0w