Reprovar crédito parece uma decisão conservadora, mas na prática, pode ser uma das mais caras que uma empresa de crédito toma.
Quando um solicitante não tem histórico suficiente nos bureaus tradicionais, a resposta padrão é "não". Mas essa decisão carrega um custo que raramente aparece nos relatórios de risco: a receita que foi deixada na mesa.
Este artigo te ajuda a quantificar esse número e a entender o que está por trás dele.
Por que o score tradicional recusa bons pagadores
O score de crédito convencional é construído sobre histórico de dívidas. Quem nunca tomou crédito formal não tem histórico, e quem tem histórico antigo ou espaçado aparece como "invisível" ou "arriscado".
Isso cria um problema estrutural para as empresas de crédito no Brasil. Uma parcela relevante da população economicamente ativa não tem score alto, não porque seja inadimplente, mas porque:
- trabalha de forma autônoma ou informal
- recebe por múltiplas fontes de renda
- não usa crédito com frequência
- tem histórico recente de negativação por um evento pontual que já foi resolvido
Para essas pessoas, o bureau diz "não sei". O modelo traduz isso como "não". Mas "não sei" e "mau pagador" são coisas diferentes.
Como calcular a receita não realizada por reprovação de crédito
Para tornar essa perda tangível, você precisa de três números. Todos estão disponíveis na sua operação.
1. Volume de reprovados por insuficiência de dados
Separe as reprovações do último trimestre por motivo. Quantos clientes em potencial foram recusados por score baixo ou ausente, sem outro sinal negativo relevante (fraude, comprometimento de renda acima do limite, instabilidade de emprego)?
2. Ticket médio e margem do produto
Qual é a receita líquida média gerada por um contrato aprovado? Considere a taxa de juros, prazo médio e custo de capital. Esse número é a unidade de valor que você perde a cada reprovação indevida.
3. Taxa de adimplência esperada para o perfil
Aqui está o dado que mais falta. Sem informação adicional, você assume que todos os "sem score suficiente" são igualmente arriscados. Mas dados de Open Finance permitem distinguir dentro desse grupo: quem tem renda estável, comprometimento de renda baixo e padrão de gastos consistente tem perfil de adimplência muito diferente de quem não tem.
Com esses três números, a conta é direta:
Receita não realizada = volume de reprovados × taxa esperada de adimplência do subgrupo × receita líquida por contrato
O impacto varia por produto e perfil de carteira, mas a lógica é a mesma: quanto maior o volume de reprovados por falta de dados, maior o potencial de receita não realizada.
Se quiser estimar esse número para a sua operação, a Belvo tem uma calculadora de ROI construída especificamente para esse caso: https://belvo.com/pt-br/calculadora-de-roi-para-credito/
Como a análise de crédito com Open Finance reduz reprovações indevidas
O Open Finance permite enriquecer a análise de um solicitante com informações que scores tradicionais não têm: histórico de transações, renda verificada, padrão de pagamentos recorrentes, comprometimento real de renda.
Com isso, é possível refazer a segmentação dentro do grupo de "reprovados por score insuficiente" e identificar quem, de fato, representa risco aceitável.
A Facio, que oferece antecipação salarial para trabalhadores no Brasil, passou por esse processo. Antes de integrar dados de Open Finance na análise de crédito, o processo dependia de informações fornecidas pelas empresas empregadoras, o que criava burocracia e limitava o acesso de trabalhadores com vínculos informais ou múltiplos empregos.
Após conectar as contas bancárias dos usuários via Belvo, a Facio passou a verificar renda, transações e saldo diretamente, sem depender de documentação manual. O resultado foi uma redução de 50% no risco de crédito da carteira, além de um processo de análise mais rápido e com menos atrito para o usuário.
O mecanismo por trás desse resultado é o mesmo que o framework acima descreve: ao enxergar mais do perfil financeiro real do solicitante, o modelo para de confundir "sem dados" com "alto risco".
Veja o caso de sucesso completo da Facio com a integração de dados de Open Finance com a Belvo.
Perguntas essenciais antes de integrar dados de Open Finance na concessão de crédito
Adicionar Open Finance ao processo de análise não é uma decisão técnica isolada. Antes de ir a ar, vale responder quatro perguntas:
Quais dados são mais preditivos para o meu produto? Antecipação salarial tem variáveis diferentes de crédito pessoal, que têm variáveis diferentes de BNPL. A seleção de atributos importa mais do que o volume de dados.
Em que ponto do fluxo os dados entram? Antes da pré-aprovação, na análise completa ou como camada adicional para os "borderline"? Cada momento tem implicações diferentes para conversão e custo operacional.
Como o consentimento do usuário é capturado? O compartilhamento de dados de Open Finance depende de consentimento explícito. A experiência de conexão afeta a taxa de adesão, e uma taxa baixa limita o impacto do modelo.
O modelo atual está calibrado para usar novos atributos? Adicionar dados sem retreinar o modelo reduz o potencial de melhoria. O ideal é tratar a integração como uma oportunidade de recalibração.
Receita não realizada por exclusão de crédito: como transformar risco percebido em crescimento de carteira
A perda por exclusão não aparece no seu dashboard de inadimplência, ela não gera alertas, mas ela existe, e é mensurável.
Empresas de crédito que calcularam este número com dados reais encontraram que uma parcela dos "sem score suficiente" tem comportamento de pagamento equivalente ou melhor do que parte da carteira ativa. Redesenhar o processo de análise para esse grupo, com dados de Open Finance, transforma uma fonte de risco percebido em uma oportunidade de crescimento de carteira.
Descubra como os dados de Open Finance funcionam para sua operação aqui.
