Um novo modelo comportamental de risco de crédito desenvolvido por pesquisadores da BI Norwegian Business School e da NHH Norwegian School of Economics integra transações de crédito e débito para melhorar significativamente a previsão de inadimplência de cartão de crédito, ao mesmo tempo que oferece uma visão mais clara dos fatores comportamentais por trás dos problemas de pagamento. O estudo, publicado no The Journal of Finance and Data Science, demonstra que combinar dados de cartão de crédito com transações de débito dos clientes aumenta substancialmente a capacidade de prever quais titulares de cartão correm risco de atrasar pagamentos.
O primeiro autor Håvard Huse explica que os dados de crédito sozinhos fornecem apenas uma imagem parcial da situação financeira de um cliente. Ao integrar transações de débito, os pesquisadores obtêm insights sobre padrões de gastos no dia do pagamento, comportamento de reembolso e fluxos de renda — fatores que influenciam fortemente se alguém corre o risco de atrasar pagamentos do cartão de crédito. A equipe de pesquisa, que também inclui Sven A. Haugland e Auke Hunneman, desenvolveu um modelo comportamental hierárquico bayesiano que consistentemente supera os principais algoritmos de aprendizado de máquina, incluindo XGBoost, máquinas de boosting de gradiente, redes neurais e conjuntos empilhados.
O estudo utiliza dados detalhados de transações de crédito e débito de um grande banco norueguês, indo além dos modelos tradicionais de risco de crédito que dependem fortemente de agregados mensais, como saldo e limite de crédito. Essas medidas convencionais não revelam como os clientes realmente gerenciam suas finanças no dia a dia. Ao capturar dinâmicas comportamentais — incluindo como os padrões de pagamento evoluem ao longo do tempo e como os gastos aumentam após o dia do pagamento — o novo modelo explica tanto por que a inadimplência ocorre quanto quem provavelmente entrará em default.
O modelo melhora a precisão da previsão no nível individual e identifica segmentos comportamentais distintos com diferentes "comprimentos de memória", referindo-se à medida em que estados financeiros passados afetam o comportamento atual de pagamento. O coautor Auke Hunneman observa que clientes em dificuldades financeiras tendem a ser mais influenciados pelo comportamento de meses anteriores, e o novo modelo captura essa dinâmica muito melhor do que as ferramentas padrão de aprendizado de máquina. Os resultados da pesquisa são detalhados no estudo disponível em https://doi.org/10.1016/j.jfds.2025.100166.
Além do desempenho preditivo superior, a abordagem da equipe oferece maior interpretabilidade do que os algoritmos de última geração. Hunneman enfatiza que os bancos precisam não apenas de previsões precisas, mas também de compreensão sobre quais padrões comportamentais impulsionam o risco. O valor prático do modelo torna-se evidente ao usar um horizonte de previsão de três meses, onde a detecção precoce de titulares de cartão em risco pode gerar economias substanciais de custos, permitindo intervenções oportunas e reduzindo perdas.
O coautor Sven A. Haugland observa que, para instituições financeiras, isso representa mais do que apenas uma melhoria na precisão — fornece uma maneira de ajudar proativamente os clientes a evitar sérios problemas financeiros por meio de intervenção precoce. Os resultados destacam uma mudança emergente na pontuação de crédito, de modelos estáticos tradicionais para análises comportamentais mais ricas baseadas em uma imagem completa das transações dos clientes. Essa abordagem pode transformar como as instituições financeiras avaliam o risco e apoiam os clientes, potencialmente reduzindo as taxas de inadimplência e melhorando os resultados de saúde financeira em todo o setor bancário.
