Dois clientes chegam ao mesmo tempo com o mesmo score de bureau. Um deles tem uma restrição antiga mas salário estável, comprova renda recorrente e não tem comprometimento excessivo com outras dívidas. O outro tem histórico limpo, mas transfere boa parte da renda para plataformas de apostas toda semana. Os dois recebem a mesma resposta do modelo tradicional.
Esse é o problema central que o mercado de crédito brasileiro ainda enfrenta: a dependência excessiva de dados retroativos, que fotografam o passado do cliente mas não dizem muito sobre o presente. E o custo dessa limitação não é pequeno. A Serasa registrou 74,6 milhões de brasileiros endividados em janeiro de 2025, alta de 1,48% em relação a dezembro de 2024. Ao mesmo tempo, o mercado de Open Finance cresce rapidamente, chegando a 154 milhões de consentimentos ativos e mais de 100 milhões de clientes conectados em fevereiro de 2026, segundo dados do próprio ecossistema. O Brasil se tornou o maior ecossistema de Open Finance do mundo.
A pergunta que gestores de crédito e times de risco deveriam estar fazendo é: por que esses dois mundos ainda operam separados nos modelos de decisão?
Quais informações os bureaus enxergam bem
Os bureaus de crédito tradicionais oferecem uma base sólida para decisões de crédito. Eles consolidam histórico de pagamentos, restrições ativas, consultas recentes, tempo de relacionamento com o sistema financeiro e dados cadastrais. Para populações com histórico longo e consistente, o score de bureau ainda é um dos preditores mais eficientes de inadimplência.
Além disso, os bureaus já incorporam dados de diferentes fontes: cartões, bancos, financeiras, varejo. Isso gera uma visão consolidada do comportamento histórico do consumidor em múltiplas relações de crédito.
O problema começa a aparecer quando o modelo precisa avaliar perfis fora do padrão clássico.
Onde o bureau tem pontos cegos
Trabalhadores autônomos, MEIs, profissionais de economia gig e pessoas que recebem por transferência (sem contracheque formal) representam uma parcela enorme da população economicamente ativa no Brasil. Para esses perfis, o score de bureau pode ser inconclusivo ou simplesmente baixo, não porque o cliente seja um mau pagador, mas porque o sistema não consegue capturar a realidade financeira dele.
Os chamados "thin files", clientes com pouco ou nenhum histórico de crédito formal, também seguem sendo um desafio. Um jovem que nunca contraiu um financiamento pode ter renda estável, saldo positivo e comportamento financeiro responsável. O bureau não consegue capturar isso.
Outro ponto crítico é a defasagem temporal. O score é construído com base em eventos passados. Uma pessoa que renegociou dívidas há dois anos e hoje tem fluxo de caixa saudável ainda carrega o histórico negativo no score, mesmo que o risco atual seja baixo. O modelo tradicional não distingue inadimplência passada de risco presente.
O que o Open Finance traz para a análise de crédito
O Open Finance, por sua natureza, oferece uma visão diferente: o comportamento financeiro em tempo real, com consentimento do cliente. Isso inclui extrato bancário categorizado, movimentação de contas, receitas recorrentes, comprometimento de renda atual, presença de benefícios como FGTS ou INSS, e padrão de gastos.
Esses dados preenchem os pontos cegos do bureau. Um cliente com score baixo pode, ao compartilhar dados via Open Finance, demonstrar que tem renda estável, baixo endividamento e boa capacidade de pagamento. O inverso também é verdadeiro: um score alto com comportamento de alto risco (comprometimento excessivo de renda, saque de reservas mensais, transferências recorrentes para plataformas de apostas) pode sinalizar vulnerabilidade que o bureau não detectaria.
Dados da Finsiders Brasil de novembro de 2025 registraram instituições reportando queda de inadimplência entre 25% e 30% após incorporar dados de Open Finance aos modelos de risco. O impacto foi especialmente relevante por expor comportamentos positivos que antes não apareciam nos scores tradicionais.
Já a Facio, empresa de crédito que integrou dados de Open Finance com apoio da Belvo, observou redução de 50% no risco de crédito após a adoção do modelo.
Por que o modelo híbrido supera os dois isolados
A resposta não é substituir o bureau pelo Open Finance, mas usar os dois de forma complementar. Cada fonte tem força em dimensões diferentes do risco.
O bureau é forte em:
- Histórico de pagamentos ao longo do tempo
- Exposição total de crédito no mercado
- Detecção de restrições ativas
- Indicadores de relacionamento de longo prazo com o sistema financeiro
O Open Finance é forte em:
- Capacidade de pagamento atual (renda vs. comprometimento)
- Comportamento de consumo e poupança
- Sinais de estresse financeiro recente
- Inclusão de perfis sem histórico formal de crédito
- Redução de fraudes por extravio ou falsificação de extratos
Quando combinados em um modelo híbrido, as fontes se compensam. Um cliente com score intermediário no bureau, mas com fluxo de caixa positivo e renda comprovada via Open Finance, pode ser aprovado com segurança. Da mesma forma, um cliente com score alto mas com sinais de comprometimento crescente de renda pode receber um limite mais conservador.
Como estruturar um modelo híbrido na prática
A construção de um modelo híbrido exige decisões arquiteturais que vão além da simples soma de variáveis. Algumas práticas que instituições financeiras estão adotando:
Segmentação por tipo de perfil antes da decisão
Clientes com histórico rico no bureau podem ter o Open Finance atuando como camada de validação e refinamento. Para thin files e autônomos, o Open Finance assume um papel mais central, sendo o principal insumo para a decisão.
Variáveis-chave derivadas do Open Finance para modelos de crédito
Fluxo de caixa médio dos últimos três meses, variabilidade de renda, percentual de comprometimento com dívidas existentes, tempo médio de saldo positivo na conta, e recorrência de receitas são algumas das variáveis com maior poder preditivo identificadas por equipes de data science.
Categorias de transação como sinais de risco
A categorização automática de transações permite identificar padrões como gastos crescentes em apostas, transferências recorrentes para terceiros sem identificação clara, ou retirada sistemática de poupanças. Esses sinais complementam o score de bureau com uma camada comportamental atual.
Definição de pesos por segmento
O peso relativo de cada fonte deve variar conforme o produto e o perfil do cliente. Em crédito pessoal sem garantia para autônomos, o Open Finance pode ter maior peso. Em financiamento imobiliário para assalariados com longa relação bancária, o bureau continua sendo a âncora central.
O impacto no funil de aprovação de crédito
A Agência Brasil reportou em setembro de 2025 que o Open Finance pode aumentar a taxa de aprovação de crédito em até 30% para clientes que seriam recusados pelo modelo tradicional. Estudos citados pela PwC indicam que cada 1% de redução na inadimplência pode representar até R$56 bilhões economizados para as instituições financeiras do país.
Esses números colocam o modelo híbrido não como uma iniciativa de inovação, mas como uma decisão de competitividade. Instituições que mantiverem decisões baseadas exclusivamente em bureau tendem a perder bons clientes para concorrentes que já operam com dados mais completos, enquanto aceitam risco não detectado em clientes com score formalmente adequado.
O ecossistema já está maduro para suportar esse modelo. Com 2,3 bilhões de comunicações bem-sucedidas por semana no Open Finance brasileiro, a infraestrutura está em operação em escala. A Belvo registrou crescimento de 110% no volume de requisições de dados de Open Finance entre dezembro de 2024 e novembro de 2025, com a taxa de sucesso das conexões avançando de 52% para 63% no mesmo período.
O que ainda trava a adoção
Algumas barreiras técnicas e operacionais persistem. A qualidade e completude dos dados variam entre instituições transmissoras. Fintechs e bancos menores podem ter APIs menos estáveis ou cobertura incompleta de contas. A adesão de empresas ao compartilhamento de dados ainda é um desafio identificado pelo próprio Banco Central.
Além disso, construir variáveis úteis a partir de transações brutas requer capacidade de processamento e modelagem que nem todas as instituições possuem internamente. A categorização automática de movimentações, o cálculo de renda estimada e a detecção de sinais de risco em dados transacionais exigem camadas de enriquecimento antes de se tornarem úteis para o modelo de crédito.
É nesse ponto que plataformas de dados, como a Belvo, atuam como aceleradores: ao entregar dados já enriquecidos, categorizados e estruturados, reduzem o tempo entre o consentimento do cliente e a decisão de crédito.
Próximos passos para equipes de crédito
Para instituições que querem evoluir do modelo atual para um modelo híbrido, a jornada normalmente passa por três etapas:
Diagnóstico do modelo atual: quais segmentos de clientes apresentam maior taxa de recusa por falta de dados adequados, e qual é a inadimplência observada nesses grupos comparada ao restante da carteira.
Integração dos dados: conectar o Open Finance como fonte adicional de variáveis, inicialmente em modo de observação para entender correlações com os indicadores de risco já monitorados, sem alterar imediatamente as políticas de crédito.
Refinamento do modelo: com dados históricos suficientes, recalibrar os pesos do modelo incorporando as variáveis derivadas do Open Finance e medir o impacto real nas taxas de aprovação e inadimplência.
O caminho não é simples, mas a lógica é direta: mais dados de qualidade, sobre o momento presente do cliente, resultam em decisões mais precisas. E decisões mais precisas significam mais aprovações corretas e menos inadimplência, ao mesmo tempo.
Quer entender como a Belvo pode ajudar a estruturar a integração de dados de Open Finance no seu modelo de risco? Fale com nosso time e marque uma demo!
