A Serasa Experian tem uma expertise de décadas no desenvolvimento de modelos de score eficazes, com soluções que vão das mais básicas às mais customizadas.
Com o Cadastro Positivo, toda esta eficácia ganha novos elementos capazes de incrementar substancialmente a acuracidade dos modelos de score. Especialmente quando somados à maior base de dados de inadimplência da América Latina, que inclui dados cadastrais, de negativação e uma avançada tecnologia para análise de informações estruturadas e não estruturadas.
Com essa expertise, foi desenvolvido o Serasa Score com Positivo, cuja modelagem aplica os dados do cadastro positivo de pessoa física em conjunto com os dados de inadimplência e cadastrais. Descubra a seguir como esse novo recurso pode melhorar significativamente sua análise de crédito.
Experiência anterior com Cadastro Positivo
Embora o Cadastro Positivo como existe hoje tenha entrado em vigor em julho de 2019, a Serasa Experian já tinha uma experiência anterior de 8 anos. Isso porque já possuía um banco de dados com informações do cadastro positivo de 12,5 milhões de consumidores que haviam dado opt-in para fazer parte da base.
Assim, ainda que com um recorte limitado da população brasileira, foi possível acumular conhecimento, testar modelos e aplicar esses dados em soluções de score, aumentando a qualidade das análises.
Agora, com a ampliação da base de dados, que passou a incluir todos os brasileiros que não optarem por terem seus dados retirados do cadastro (opt-out), a Serasa Experian traz essa experiência no desenvolvimento de soluções de score com potencial para uma maior capacidade preditiva.
Score com dados do cadastro positivo eleva a qualidade da análise de crédito para consumidores
Segundo Neube Junior, gerente de Produto de Score para Informações de Consumidores da Serasa Experian, mesmo quando a base positiva era limitada (12,5 milhões de consumidores), os modelos desenvolvidos utilizando seus dados já apresentavam um ganho expressivo de qualidade.
“Nos testes KS (Kolmogorov-Smirnov), que é um indicador estatístico de acuracidade de modelo preditivo, o potencial de segregação do score subia significativamente ao se utilizar os dados do cadastro positivo disponíveis na época”, afirma Junior.
São dados que revelam o potencial a ser explorado em modelagens de score com o aumento extraordinário da base do Cadastro Positivo.
Vantagens de combinar dados de inadimplentes e do cadastro positivo
O Serasa Score com Positivo oferece a vantagem de unir o banco de dados de inadimplentes da Serasa Experian com o Cadastro Positivo. Essa combinação, associada com a tecnologia de dados que a Serasa Experian desenvolve, permite explorar todo o potencial das informações disponíveis.
“Existe a ideia equivocada de que apenas os dados do Cadastro Positivo bastariam para uma modelagem de score mais eficiente, desprezando os dados de inadimplentes”, relata Junior. “Isso é um erro de avaliação, uma vez que se sabe que, para a construção de modelos preditivos, quanto mais variáveis melhor a qualidade.”
Esta qualidade também se reflete quando se tem um volume maior de dados em todas as variáveis e quando esses dados têm um padrão de atualização e pertinência maior, como ocorre com a base da Serasa Experian.
Potencial do Serasa Score com Positivo para análise de crédito de consumidores
As diversas soluções de modelagem de score da Serasa Experian são desenvolvidas a partir do conjunto de sua base de dados. São modelos que atendem as necessidades mais amplas e as mais específicas para análise de crédito de pessoas físicas de diferentes perfis.
Entre as vantagens desses modelos, podemos destacar o potencial que apresentam para:
- Reduzir a taxa de inadimplência;
- Aumentar o volume da concessão de crédito;
- Ampliar a rentabilização do negócio;
- Desenvolver ofertas customizadas;
- Reativar clientes a partir da nova pontuação.
Com essas e outras vantagens trazidas pelo Serasa Score com Positivo, as áreas de crédito têm a oportunidade de obter ganhos de eficácia nas suas análises, melhorando o desempenho e os resultados da empresa.