No nosso \u00faltimo Nu DS & MLE Meetup, os Senior Data Scientists Jacob e Jos\u00e9 nos conduziram por uma imers\u00e3o no mundo complexo (e em constante evolu\u00e7\u00e3o) da gest\u00e3o de limites de cr\u00e9dito. E, claro, mostraram como a ci\u00eancia de dados nos ajuda a tomar decis\u00f5es mais inteligentes, escal\u00e1veis e sustent\u00e1veis para nossos clientes em toda a Am\u00e9rica Latina.<\/p>\n\n\n\n
Com mais de 122 milh\u00f5es de clientes e crescendo, oferecer o limite de cr\u00e9dito certo \u00e9 tanto uma oportunidade de neg\u00f3cio quanto uma responsabilidade. Limites muito baixos podem frustrar nossos clientes. Limites muito altos podem expor tanto eles quanto o Nubank a riscos financeiros desnecess\u00e1rios. Como encontrar o equil\u00edbrio ideal? Vamos descobrir!<\/p>\n\n\n\n
O centro da apresenta\u00e7\u00e3o foi nossa estrat\u00e9gia de modelagem de risco, especificamente para decidir quando e como aumentar o limite de cr\u00e9dito de clientes existentes. Jos\u00e9 come\u00e7ou contextualizando o desafio de neg\u00f3cio: gerenciar risco de cr\u00e9dito promovendo, ao mesmo tempo, sa\u00fade financeira e garantindo que nossos cart\u00f5es de cr\u00e9dito continuem \u00fateis e rent\u00e1veis.<\/p>\n\n\n\n
Para isso, o time foca em uma m\u00e9trica essencial: a probabilidade de inadimpl\u00eancia, ou seja, a chance de um cliente n\u00e3o pagar sua fatura dentro de um per\u00edodo determinado (normalmente entre 60 e 180 dias).<\/p>\n\n\n\n
Mas prever se algu\u00e9m vai ser inadimplente n\u00e3o \u00e9 suficiente, tamb\u00e9m nos importa quando. \u00c9 a\u00ed que entra a an\u00e1lise de sobreviv\u00eancia: uma abordagem mais sofisticada que modela o tempo at\u00e9 a inadimpl\u00eancia usando curvas de sobreviv\u00eancia, permitindo capturar n\u00e3o apenas o risco, mas sua evolu\u00e7\u00e3o ao longo do tempo.<\/p>\n\n\n\n
Jacob mergulhou nos detalhes t\u00e9cnicos da nossa abordagem. Embora modelos tradicionais, como os n\u00e3o-param\u00e9tricos e param\u00e9tricos, ofere\u00e7am boas refer\u00eancias, cada um tem suas limita\u00e7\u00f5es. Os modelos n\u00e3o-param\u00e9tricos, por exemplo, n\u00e3o escalam bem e tendem a overfitting quando h\u00e1 muitas vari\u00e1veis envolvidas. J\u00e1 os param\u00e9tricos, apesar de interpret\u00e1veis, frequentemente dependem de suposi\u00e7\u00f5es fortes (e \u00e0s vezes equivocadas) sobre a distribui\u00e7\u00e3o dos dados.<\/p>\n\n\n\n
Para lidar com essas limita\u00e7\u00f5es, o time aplica uma estrat\u00e9gia de “dividir para conquistar”: primeiro constr\u00f3i um modelo robusto de ranqueamento de risco para capturar o sinal, e depois usa esse sinal para guiar o ajuste de curvas de risco mais precisas.<\/p>\n\n\n\n
Esse processo em duas etapas permite atualiza\u00e7\u00f5es mais frequentes da calibra\u00e7\u00e3o das curvas de sobreviv\u00eancia, mantendo est\u00e1vel o modelo principal de ranqueamento. O resultado \u00e9 uma estrutura modular e escal\u00e1vel, que se adapta bem a diferentes pa\u00edses e a comportamentos de clientes em constante mudan\u00e7a.<\/p>\n\n\n\n
Claro, modelos eficientes s\u00e3o apenas parte da equa\u00e7\u00e3o. Jos\u00e9 encerrou destacando a import\u00e2ncia do monitoramento e da disciplina operacional. \u00c0 medida que o comportamento dos clientes muda \u2014 especialmente em mercados menos maduros como M\u00e9xico ou Col\u00f4mbia \u2014 o time acompanha de perto indicadores de performance, mudan\u00e7as de conceito (concept drift) e estabilidade de features. Isso inclui gerenciar os impactos de novos lan\u00e7amentos de produtos, oscila\u00e7\u00f5es macroecon\u00f4micas e altera\u00e7\u00f5es em dados externos de bir\u00f4s de cr\u00e9dito.<\/p>\n\n\n\n
O time tamb\u00e9m destacou os investimentos em funda\u00e7\u00f5es s\u00f3lidas de engenharia: reposit\u00f3rios reutiliz\u00e1veis de features, pipelines de CI\/CD e alertas automatizados para baixo desempenho ou anomalias.<\/p>\n\n\n\n
E eles n\u00e3o v\u00e3o parar por a\u00ed. O time j\u00e1 est\u00e1 experimentando modelos fundacionais treinados com trilh\u00f5es de transa\u00e7\u00f5es financeiras para explorar novas fronteiras na modelagem de comportamento dos clientes<\/p>\n\n\n\n
Esta sess\u00e3o foi um mergulho profundo em como o Nubank toma decis\u00f5es de cr\u00e9dito baseadas em dados que escalam \u2014 n\u00e3o s\u00f3 em termos de tecnologia, mas tamb\u00e9m de impacto. Ao refinar continuamente nossos modelos, infraestrutura e estrat\u00e9gias, conseguimos oferecer cr\u00e9dito significativo ao mesmo tempo em que promovemos inclus\u00e3o financeira e estabilidade.<\/p>\n\n\n\n
Como disse Jacob: \u201cSempre buscamos metodologias simples, mas robustas \u2014 nunca est\u00e1ticas, sempre em evolu\u00e7\u00e3o.\u201d<\/p>\n\n\n\n
No Nubank, gerenciar limites de cr\u00e9dito de forma inteligente \u00e9 um compromisso com avalia\u00e7\u00e3o de risco escal\u00e1vel, inclus\u00e3o financeira e bem-estar de longo prazo dos nossos clientes. Ao combinar ci\u00eancia de dados robusta com pr\u00e1ticas de engenharia flex\u00edveis, conseguimos entregar decis\u00f5es de cr\u00e9dito que s\u00e3o n\u00e3o apenas precisas e eficientes, mas tamb\u00e9m alinhadas com a sa\u00fade financeira dos mais de 122 milh\u00f5es de clientes que atendemos em toda a Am\u00e9rica Latina.<\/p>\n\n\n\n
Quer saber mais sobre como estamos usando dados para gerar impacto em escala? Acompanhe o blog Building Nubank para mais conte\u00fados t\u00e9cnicos dos nossos times de engenharia e ci\u00eancia de dados.<\/p>\n\n\n\n