Análise de risco de crédito direcionada por modelagem matemática e aprendizado de máquina

Abstract

Ao longo dos anos, o Brasil aumenta a demanda por produtos de crédito, todavia, essa situação é acompanhada pelo acréscimo significativo da quantidade de pessoas que não honram seus compromissos financeiros. Essa relação entre concessões e perdas destaca a importância do desenvolvimento de abordagens capazes de maximizar a assertividade e minimizar os riscos, visto que decisões ruins podem acabar endividando o cliente e acabando com a saúde financeira da empresa. Neste âmbito, este trabalho propõe melhorar a concessão de crédito de uma instituição financeira através da substituição da política de crédito vigente por um modelo matemático de Machine Learning. Devido à falta de disponibilidade de dados reais, optou-se por utilizar uma base de dados fictícia do Kaggle a fim de simular um ambiente realista. Visando combater a inadimplência e erros operacionais, o software desenvolvido na linguagem Python tem como intuito receber uma base de dados de clientes novos, aplicar a modelagem e classificar quais clientes podem ou não receber o crédito. Durante a pesquisa, explicou-se a fundamentação teórica da análise de crédito e do aprendizado de máquina, proporcionando base técnica para o correto entendimento dos processos. Através da implementação do modelo, obteve-se ganho de 17% de Recall, 5% de AUC, 9% de KS e 6,88% de ROCP, representando um aumento de quase R$ 100 milhões de lucro e permitindo a melhor classificação de perfil de risco do cliente.

Over the years, Brazil increases the demand for credit products, however, this situation is accompanied by a significant increase in the number of people who do not honor their financial commitments. This relationship between concessions and losses highlights the importance of developing approaches capable of maximizing assertiveness and minimizing risks, since bad decisions can end up indebting the customer and ending the financial health of the company. In this context, this work proposes to improve the credit granting of a financial institution by replacing the current credit policy by a mathematical model of Machine Learning. Due to the lack of real data availability, it was decided to use a fictitious Kaggle database in order to simulate a realistic environment. In order to combat default and operational errors, the software developed in the Python language is intended to receive a database of new customers, apply the modeling and classify which customers can or can not receive credit. During the research, the theoretical foundation of credit analysis and machine learning was explained, providing a technical basis for the correct understanding of the processes. Through the implementation of the model, it was obtained a gain of 17% of Recall, 5% of AUC, 9% of KS and 6.88% of ROCP, representing an increase of almost R$ 100 million of profit and allowing the best classification of customer risk profile.