Previsão de inadimplência integrada à decisão de crédito e cobrança
Um modelo preditivo que saiu do notebook e entrou no fluxo: score de risco no Power BI e na régua de cobrança, com retreino monitorado.
Cliente: Financeira de médio porte — sob NDA
O contexto
Uma financeira via a inadimplência subir e só entendia o motivo tarde demais. Construímos um modelo preditivo de risco sobre a base de crédito, integrado ao Power BI e à régua de cobrança, com Azure Machine Learning e monitoramento de performance — levando a previsão para onde a decisão acontece, não para um relatório esquecido.
O desafio
- A inadimplência era analisada no retrovisor, quando a perda já estava contabilizada.
- Existiam tentativas de modelo, mas paradas em notebooks, sem chegar à operação.
- A régua de cobrança tratava todos os clientes igual, gastando esforço onde não precisava.
- Faltava dado organizado: a base de crédito estava espalhada e sem histórico consistente.
- Qualquer modelo precisaria de governança para lidar com dado pessoal sensível (LGPD).
A abordagem
Pergunta e viabilidade
Definimos a decisão a apoiar — priorizar crédito e cobrança — e avaliamos se havia dado histórico suficiente.
Base de dados
Organizamos a base de crédito no Azure, com histórico consistente e reconciliação.
Modelagem e validação
Treinamos e validamos o modelo de risco, comparando com a régua atual como linha de base.
Integração à decisão
Levamos o score ao Power BI e à régua de cobrança, com faixas de risco acionáveis.
Governança e LGPD
Aplicamos controle de acesso, mascaramento e trilha de auditoria sobre o dado sensível.
Monitoramento e retreino
Configuramos o acompanhamento de performance e o retreino, porque o comportamento muda.
A solução
Começamos pela decisão, não pela técnica. O objetivo não era ter um modelo bonito, era priorizar melhor crédito e cobrança. Isso definiu o que o modelo precisava prever e como o resultado seria usado — a diferença entre ciência de dados que gera valor e a que vira custo.
O maior obstáculo era o dado. As tentativas anteriores tinham morrido porque o histórico estava espalhado e inconsistente. Organizamos a base de crédito no Azure, com reconciliação, antes de treinar qualquer coisa — modelo bom morre com dado ruim.
Com a base sólida, treinamos e validamos o modelo de risco, sempre comparando com a régua vigente como linha de base para provar ganho real. O resultado não ficou num notebook: integramos o score ao Power BI, para o time de crédito enxergar risco por safra e carteira, e à régua de cobrança, que passou a tratar cada cliente conforme o risco.
Por lidar com dado pessoal sensível, a governança foi parte do desenho: controle de acesso, mascaramento e trilha de auditoria, em linha com a LGPD. E, como comportamento de crédito muda, configuramos o monitoramento de performance do modelo e o retreino — para ele não envelhecer em silêncio.
A financeira passou a agir antes da perda: priorizar cobrança onde o risco é maior e ajustar concessão com base em previsão, não em retrovisor.
Stack
Este case foi entregue pela nossa prática de dados.
Ver o serviço relacionadoO que foi entregue
Score de risco preditivo
Modelo que antecipa probabilidade de inadimplência por cliente e safra.
Integração ao Power BI
Risco por carteira e safra na mão do time de crédito.
Régua de cobrança inteligente
Esforço de cobrança priorizado por faixa de risco.
Base organizada no Azure
Histórico consistente e reconciliado como fundação do modelo.
Governança e LGPD
Controle de acesso, mascaramento e auditoria sobre dado sensível.
Validação contra linha de base
Ganho comprovado frente à régua vigente antes de produção.
Monitoramento de modelo
Acompanhamento de performance e alerta de degradação.
Retreino planejado
Atualização do modelo conforme o comportamento muda.
Sobre este case
Quando resolve uma decisão cara e recorrente, sim. Prever inadimplência muda como se concede crédito e se prioriza cobrança. Por isso começamos pela decisão, não pela técnica — modelo por moda vira custo.
Precisa de histórico consistente e suficiente para o padrão que quer prever. Parte do trabalho é organizar e reconciliar a base antes de treinar — é o que faltava nas tentativas anteriores.
A governança entra no desenho: minimização de acesso, mascaramento e trilha de auditoria. Trabalhamos com o dado necessário e o protegemos em todas as etapas.
Perde, se ninguém cuidar. Por isso monitoramos a performance e planejamos o retreino. Um modelo em produção é um ativo vivo, não um entregável único.
Vamos transformar seus dados em decisão?
Conte seu cenário. Devolvemos um diagnóstico e uma proposta com faixa de investimento em poucos dias úteis — sem folheto, direto ao ponto.