Em 1965, o empresário americano Gordon Earle Moore, mais tarde co-fundador da Intel, prenunciou que o número de transístores num processador duplicaria a cada 18 meses, enquanto os custos de produção se manteriam estáveis. Uma previsão que viria efetivamente a confirmar-se durante as décadas seguintes, tornando-se uma referência para toda a indústria informática. Nesta previsão temos representada a capacidade de transformação e evolução da tecnologia até aos dias de hoje, assumindo a transformação um papel fundamental tanto na sociedade como nos processos de negócio.
É esta mesma transformação que pode também ajudar o setor financeiro e influenciar a maximização de valor tanto para o cliente final como para a própria instituição financeira. No entanto, tal só será possível se a desejada transformação estiver ao serviço da estratégia da instituição e no caminho daquilo que se pretende que seja uma verdadeira vantagem competitiva.
Falar de vantagem competitiva sustentável pressupõe que a mesma esteja diretamente relacionada com a eficiente mensuração dos riscos provenientes da atividade bancária. Esta aferição pode – e deve – utilizar modelos preditivos assentes em algoritmos que favoreçam e sustentem a tomada de decisão. No caso específico da gestão do risco de crédito, a Inteligência Artificial assume um papel fundamental na exata medida em que é definida como “human intelligence performed by machine”.
Desta forma, perante os progressos e a expansão das economias, o aumento de canais digitais e a agilização de processos de negócio, nomeadamente dos processos de concessão de crédito, assiste a necessidade de as instituições financeiras terem acesso às mais modernas técnicas e ferramentas de controlo e proteção na área de gestão de risco de crédito. Um propósito que só é alcançável a partir de modelos de análise perspicazes e eficientes.
A perspicácia e a eficiência presentes na utilização de algoritmos de Machine Learning estão representadas também em modelos de Scoring, onde, a partir de modelos tradicionais, eram utilizados critérios e ponderações pré-definidos. Agora, com a aplicação de modelos Machine Learning, todos os dados são percorridos e analisados simultaneamente, identificando e registando padrões sem necessidade de seguir um esquema rígido.
Esta flexibilidade presente em modelos Machine Learning poderá apoiar as instituições financeiras na identificação de combinações prováveis ou improváveis relativas às condições de clientes e propostas de crédito que representem, respetivamente, menor ou maior probabilidade de incumprimento.
A relação entre a análise histórica, as políticas internas de risco de cada instituição e as regras e orientações regulamentares tornam estes modelos preditivos robustos e garante o alinhamento com a estratégia de negócio da instituição financeira, sendo fundamental o acesso aos dados representativos das características do cliente e das condições da proposta. Por isso, o êxito desta implementação poderá depender também do sucesso no acesso aos dados de histórico, bem como da qualidade destes mesmos dados.
Esta metodologia, baseada em análise comportamental, permite então a classificação de um financiamento de forma simultaneamente perspicaz (através da interpretação rápida da probabilidade de incumprimento de um cliente) e eficiente (com uma baixa probabilidade de erro), formulando padrões e tendências que sustentam uma tomada de decisão segura e devidamente enquadrada ao contexto em causa.
Estas são, em conclusão, as principais vantagens da predição aplicada à gestão do risco de crédito, com impacto na redução da carteira NPL (Non-Performing Loans) e, consequentemente, na redução do risco de crédito.
Acreditamos que estes poderão ser os alicerces sólidos para um aumento da receita associada à carteira de crédito, potenciando um crescimento exponencial da vantagem competitiva de uma instituição financeira.
Rita Inácio, 32 anos, integra o Departamento de Governance, Risk & Compliance da Asseco PST, empresa de Tecnologias de Informação, especialista no desenvolvimento de software bancário e um referencial na criação de soluções tecnológicas e conhecimento em todos os mercados onde atua.
Natural de Lisboa (Portugal), é licenciada em Engenharia de Telecomunicações e Informática, tendo concluído o curso em 2010, no ISCTE-IUL. Frequentou posteriormente o Programa Avançado de Gestão para Executivos (PAGE), na Universidade Católica de Lisboa, focado em áreas como Estratégia, Transformação Digital, Controlo de Gestão e Liderança. Participou também em iniciativas de formação enquadradas em Risk Management e Business Process Management.
Iniciou a sua carreira profissional em 2010, na Capgemini, na área de consultoria, tendo participado em projetos de implementação em clientes nos setores da banca e saúde. Daqui transitou para a Indra Portugal, onde esteve igualmente envolvida em projetos na área bancária, nomeadamente em serviços de consultoria e implementação de soluções tecnológicas de apoio ao cálculo de resultados e rentabilidade da carteira de ativos. Tem igualmente experiência acumulada na realização de estudos de mercado enquadrados nos setores bancário e segurador (solvência).
Em 2014, iniciou o seu percurso na Asseco PST, participando como consultora e gestora de projetos de consultoria na vertente Risco, mais concretamente Risco de Crédito enquadrado em serviços de consultoria de negócio e implementações tecnológicas – de que são exemplo soluções de apoio à mensuração de fatores de risco utilizados em âmbito regulamentar, provisões, ECL (imparidade) e classificações de risco (scoring e rating) de apoio à decisão.
Atualmente, é responsável pela área de Risco, desempenhando um papel de coordenação da equipa de consultoria de negócio em projetos internos e de cliente na vertente risco.
